Being Being

2019년 KDD에 실린 논문으로, 뉴스 추천에 있어서 서로 다른 사용자는 단어와 뉴스를 다르게 받아들임을 반영하여 주목을 받았다. 논문 리뷰 스터디에서 해당 논문을 맡아 발제하였고 그 내용을 정리하려고 합니다. INTRO 서로 다른 사용자는 단어와 뉴스를 다르게 받아들임 이전의 추천은 이러한 사용자 개별의 선호는 반영되지 않았고, 단지 text 안에서의 중요한 단어에 가중치를 부여하는 방식을 사용하였음 → 이것을 추천에 반영한다면 더욱 향상된 personalized 뉴스 추천이 가능할 것이라는게 논문의 핵심 APPROACH 위 아키텍처를 크게 세 부분으로 나누면, 1. News encoder : 뉴스 벡터 학습 2. User encoder : 유저 벡터 학습 3. Click predictor : 후보 ..

Reference 강의 : Minnesota 대학교 Nearest Neighbor Collaborative Filtering 코세라 강좌 Refere CV는 그냥 심심해서 넣었고, Recommender에서 train/test split은 조금 특이한 점이 있다. 같이 공부하는 팀원 분께서 아주 잘 설명을 해주셨었었었는데(지금 까먹음) 다시 공부하고 여기다 정리해야겠다. 이번 주 안에 할 것이다.

1. approach -> User-User CF의 한계 좋은 결과를 제공하지만, 여러 문제가 있음 Sparcity : 많은 item set이 있어도, rating의 수가 적음 계산적 문제 : 모든 pair correlation에 대해 계산을 하는 것은 많은 비용이 듦 해결 : Item-Item CF 2. Item-Item CF 과정 크게 아래 두 단계로 나뉜다. ① pairs of items에 대해 유사도 계산 ② user-item rating 예측 3. Item-Item CF 장점 - 예측 accuray나 top-N 예측 측면에서 성능이 좋음 - Implementation이 효율적 (User가 Item보다 많은 상황 가정) - 넓은 applicability, flexibility 4. Item-Ite..

Reference 강의 : Minnesota 대학교 Nearest Neighbor Collaborative Filtering 코세라 강좌 블로그 : exmemory.tistory.com/56 Intro 협업 필터링에는 최근접 이웃 기반과 잠재요인 협업 필터링이 있는데 오늘 공부할 내용은 최근접 이웃 기반이다. 협업 필터링은 user-behabior(rating, 구매 이력 등)을 기반으로 추천을 진행한다. 최근접 이웃 기반의 목표는 User-Item matrix에서 사용자가 아직 평가하지 않은 아이템을 예측하는 것이 목표다. 이를 위해 행렬을 만들면 굉장히 sparse한 형태가 나와 공간이 낭비되는 문제가 발생한다. 이 최근접 이웃 기반은 2가지로 나뉘는데, 사용자 기반 : 비슷한 사용자들은 어떤 ite..

출처 : 미네소타 대학교 Recommendar System 복습할 때 보라고 헷갈리는거 위주로 정리,, Introducing Recommendar Systems Q. Prediction과 Recommendation을 구분하는 best definition은? A. Prediction은 어떤 item에 대하여 한 사람의 rating(좋아요 개수, 소비량 등); recommendation은 큰 셋으로부터 어떤 사람이 아이템을 선택하(여 보여주)는 것. Q. Prediction과 Recommendation을 same interface에 합치는 것은 가능하다? A. False; ++) Explicit prediction 결점 중 하나가 잘못될 수 있다는 점, 심각하게 잘못된다면 사용자들은 시스템의 신뢰도를 잃게 ..