2024년 패스트 캠퍼스 챌린지
패스트캠퍼스 환급챌린지 51일차 미션 (3월 22일) : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기
조이쓰
2024. 3. 22. 23:57
강의 내용 Review
📍배운내용📍
- Self Supervised Learning 실제 사용사례
- Tensorflow Recommenders
👉강의내용👈
Self Supervised learning 실제 사용사례
- 네이버 플레이스에서는 비슷한 음식점 취향을 가진 유저 추천 함
- BERT4REC을 사용했고, 인풋 시퀀스를 만들기 위해 유저별로 평점 이상의 플레이스를 고름
Tensorflow에서 추천 시스템 제공 라이브러리
- Tensroflow Recommenders : 추천 시스템 모델을 만들기 위한 라이블러리, 모델 학습, 배포 등에 대한 기능 제공
- 리트라이벌과 랭킹을 각각 특화된 모델을 만들수있게 API제공해서 빠르게 만들수 있음
- 아이템, 유저, 컨텍스트 정보를 사용해서 구현가능하고 멀티태스크 구현 가능
- 추천시스템을 쉽게 만들수있게 도와줌
- 리트라이벌은 Two-Tower 구현 가능, 인 배치 네거티브가 복잡한데 쉽게 구현할수있도록 제공함
- 피처 크로스를 계산할수있는 레이어를 제공함
- deep FM, DLRM에서 FM을 사용하는 모든 알고리즘은 크로스피처를 생성함, 피처마다 벡터를 만들어서 웨이트 계산을 경우의 수를 고려해서 생성 할수있음
- 튜토리얼이 잘 되어있는 장점이 있음, multi stage 추천 모델을 구성할때 쓰기 좋음
Tensorflow Recommenders API
- 레이어를 보면 여러가지를 제공해줌
- DCN은 크로스 레이어를 쉽게 구현할수있도록 API 제공
- 임베딩은 TPU에서 쓸수있는 방법 제공
- dotInteraction: 두가지 벡터를 내적해서 웨이터를 구해서 피처 인터렉터를 구현하는API
- 메트릭은 FactorizedTopK
- 태스크: 랭킹, 리트라이벌을 제공함
- tfs.Model은 keras모델을 상속함, compute loss를 구현해야함, tfrs.task를 사용해야함
- 모델을 만드는법 :
- Sequential :인풋 하나 아웃풋 하나, 사용할 레이어를 리스트로 넣으면 됨
- 단점: 다중 입력, 출력에는 적합하지 않음, 레이어를 공유 해야함(데이터 어그멘테이션, 모델공유), 비선형 토폴로지를 원함
- Funtional: 다중 인풋, 다중 아웃풋 가능, 쉐입과 타입이 다른 데이터를 한번에 다룰수있음
- Subclassing : 레이어를 직접 만듦, init과 call을 구현해야함, 레이어, 모델을 서브 클래싱 할수있음
- 레이어와 모델을 사용할때 다름 fit과 svae를 호출 하면 model사용
- train_step을 구현해서 compute_loss만 구현하면 fit으로 학습 가능
공부사진
51일차 후기
빨랑 열심히 듣자 !
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.