-
패스트캠퍼스 환급챌린지 38일차 미션 (3월 9일) : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기2024년 패스트 캠퍼스 챌린지 2024. 3. 9. 23:51
강의 내용 Review
📍배운내용📍
- 대표적인 추천
- 추천 시스템 아키텍처
👉강의내용👈
추천 프로덕트
- 하나의 서비스는 단일 한 추천 서비스가 아니라 다양한 추천 서비스를 포함해서 여러 UX를 통해 제공함
- 하나의 서비스는 여러개의 추천 프로덕트를 포함하고, 추천 대상과 메트릭이 다름
- 하나의 추천 시스템은 여러개의 추천 프로덕트 포함함 함
- 추천 개념모델은 쿼리와 컨텍스트가 들어가면 추천 시스템에서 다큐먼트가 나옴
- 홈페이지 추천중 메인 페이지는 다양한 리스트와 위젯이 포함됨, 그 화면 마다 목표도 다름
- 고객 히스토리를 기반으로 추천하는 방법은 최근 본 상품을 봄: 유저의 관심 정보가 명화하고 단기 흥미를 잡아낼수있음
- 개념모델에서 쿼리가 item이 되고 다큐먼트는 item의 리스트 가 될수 있음
- 새로운 아이템 추천(OTT) 플랫폼에 자주 있는데 새로운 아이템에 대해 구매 클릭, 조회 등이 있어야 함
- 개인화 상품 추천: 사람의 그 기반으로 추천함, 쿼리가 유저가 됨
- 같이 본 상품은 소스 아이템과 유사한 아이템을 추천함으로 계속해서 둘러 보게 함, 대체제를 추천함
- 같이 산 상품: 소스 아이템과 함께 사면 좋은 상품 추천, 객단가(고객당 단가)를 위함, 보완제를 추천함
- 같이 산 상품의 반대의 아이템을 추천하면 신뢰도가 떨어질수있기 때문에 좀더 까다로움
- 카테고리 페이지 추천: 장르별로 추천 함, 카테고리 별로 추천 모델을 생성할건지?
- 검색 추천: 대부분의 서비스는 검색에 대한 랭킹이 주어지기 때문에 키워드 검색임
추천 모델의 히스토리
- 추천 모델의 발전 방향은 정확한 이해를 도움
- 추천 알고리즘은 3가지 방법이 있음
- 추천 시스템이 랭킹보다는 필터링에 가까웠음
- 고전 모델(딥러닝 쓰기 이전)의 방향은 콜라보레이터 기반의 추천과 리니어 모델 기반의 추천이 있음
- 2005년 이전은 KNN기반의 CF를 많이 사용함- 유,유 아,아 CF가 많이 쓰임 : 유사도를 기반으로 이웃을 찾고 비슷한 아이템과 유저를 통해서 타켓아이템의 선호도를 구함
- 2009년 패트릭스 팩토라이제이션이 많음 , 행렬기반의 구현임
- 행렬이 있고 각각의 피드백, 클릭 여부, 구매여부등이 정보가 들어감, 다른 정보는 활용못함
- MF는 행렬을 한번에 추론, 오프라인과 배치로 이루어짐, 미리 아이템과 유저 사이의 예측을 다 해놓음, 매트릭스 빈칸 다 채움, 새로운 정보는 포함 하지 않아서 지속적인 재학습이 필요함
- KNN은 비슷한 아이템을 찾음(네이버 후드), 오프라인 배치, 비슷한 아이템 평가는 온라인, 지속적인 업데이트 가능
- 리니어 모델 기반의 추천: 피드백말고 다른 정보를 사용함 , CTR(click through rate) 몇 퍼센트확률로 클릭할것인가 확률 예측
- 사이드 정보를 활용 가능함, 시간, 성별, 가격등의 정보를 직접접으로 넣을수있음
- 피처 크로스: 두개 이상의 피처를 조합해서 새로운 특성을 만듬
- 희소한 데이터를 사용할 때 사용함, 조금더 정확한 추천 가능함
- LR는 가중치를 학습함, Poly2는 피처 크로스르 적용하므로 아이템간의 상호작용을 배우고자함, FM는 각 피처마다 레이턴트 피처 벡터를 만들어서 곱을 대체 함, FFM는 각각 다른 필드에 적용되는 다른 레이턴트 벡터를 가짐 조금더 벡터가 많아짐
- 고전 추천 시스템 아키텍처: 오프라인, 리얼라인, 온라인으로 나눠져있고 각 단계마다 모델이 따로 있음
- 범용적으로 다양한 모델을 조합하고, 사이트 정보를 활용함, 오프라인에서 미리 계산 하지 못하는 한계를 극복함
공부사진
38일차 후기
추천시스템의 히스토리, 개념적인 부분을 배울수있었다.
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
'2024년 패스트 캠퍼스 챌린지' 카테고리의 다른 글