패스트캠퍼스 환급챌린지 3일차 미션 (2월 3일) : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기

강의 내용 Review

---

📍배운내용📍

• 추천 시스템

👉강의내용👈
편향 분산 트레이드 오프

• 연관규칙 추천:  이것 두개가 동시에 많이 구매, 이에 따른 추천 자주 함께 구매하는 품목, 장바구니안에서 함께 자주 구매(기저귀, 맥주)
• A를 사면 B를 사더라를 데이터를보고 판단
• 규칙을 발견하는것을 목적으로 하는 분석
• 조건절: a를 사면, if
• 결과절 :b도 산다 then을 의미
• 규칙생성:  하나의 장바구니에 여러개의 아이템 들어감,  효과가없는 규칙은 성능지표로 쳐냄
• 장바구니에서 산 항목을 수량을고려하지않고 성능측정
• 지지도 : a와 b가 동시에 등장할 확률
• 신뢰도 : a가 장바구니에 있을때 b가 동시에 등장항 확률
• 향상도: 둘이등장할 확률이 독립이라고 할때보다 얼마나 더 같이 등장하나? 자주등장하는것에 패널티
• 레버리지: 규칙에서 등장하는 상품이 얼마나 유의미하게 등장하나
• 규칙을만드는 방법
• 1) 무차별 탐색: 모든 경우의수 고려, 무식하고 연산이 많이 듦
• 2) a priori: 빈번하게 등장하는 아이템에서만 고려, 안티 모노톤 속성 고려,불필요한 조합을 고려함으로 연산량 줄임
• 다양한 고전알고리즘은 단순하고 직관에서 유래
• 컨텐츠 필터렁과 협업필터링
• 컨텐츠 필터링: 비슷한 컨텐츠를 추천
• 협업 필터링: 비슷한 유저가좋아한 항목을 추천
• 비슷한 형태를찾는법: 수치로 나타내고 비슷한정도를 찾음
• 연속형 변수, 범주형 변수
• 비슷한 정도 계산 :코사인 유사도, 유클리드 거리
• 컨텐츠 필터링 구현절차
• 1) 피처추출 : 어이템 간의 유사성계산, 아이템 측성을 추출하는 과정
• 2) 사용자 프로필 정보 생성: 유저가 상호작용한 아이템 특징을 집계
• 3) 유사도계산: 여러 유사도함수 사용, 유저와 상호작용한 아이템 특징 집계
• 4) 랭킹:  순우.매김, 사용자에게 추천
• 1. Bow: 단어마다 피처로 삼음, 문장의 단어가 늘어남에따라 피처수가 많아짐, 불용어 문제 존재
• 2. tf idf : 등장 빈도수를 고려, 문서 내에서 자주 등장하는 단어는 중요, 여러 문장에 거쳐 자주 등장하는 단어은 빈도수가많은 별로 안중요한 단어
• 장점: 작은 상호작용 데이터도 가능, 콜드 스타트 상황에 적합

공부사진 

---

 

3일차 후기

---

추천 시스템에 대해 배웠다
 
 
 

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://bit.ly/48sS29N