2024년 패스트 캠퍼스 챌린지
패스트캠퍼스 환급챌린지 18일차 미션 (2월 18일) : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기
조이쓰
2024. 2. 18. 23:17
강의 내용 Review
📍배운내용📍
- 딥러닝 추천시스템 분류
- CF기반 딥러닝 알고리즘
👉강의내용👈
딥러닝 추천 시스템 분류
- 분류 체계: 협업 기반, 컨텐츠 기반, 시퀀셜 기반
- CF기반 알고리즘: 협업필터링 : 집단 지성을 기반으로, 유저가 비슷한 사람이 좋아한 추천
- 유사도 기반 추천, 행렬 분해기반 추천 -> 성능한계 , 뉴럴넷 기반의 추천 제안됨
- 뉴럴넷 기반 협업필터링
- NCF(Neural Collaborative Filtering)
- 협업 필터링에 딥러닝 적용한 모델
- 선형적이고 비선형적인 패턴을 잡음
- MF : 유저 아이템의 상호작용, 각각의 레이턴트 벡터의 내적을 취해 얻음 -> 선형 모델
- 선형적인 상호작용 모델은 암묵적인 피드백 상황에서는 잘 작동하지 않음, 불분명함
- dot product로 처리하는 문제는 선형적인 문제만 잡을수있고 복잡한 문제에는 어려움
- NCF는 메트릭스 팩토라이제이션 모델을 뉴럴넷으로 구현하는 접근
- 유저와 아이템에 대한 원 핫 벡터
- GMF: MF내적 부분을 엘리먼트 와이즈 곱 연산과 시그모이드 비선형 활성함수로 대체해서 구조를 일반화 함
- 비선형성을 도입하고 사용자와 아이템 임베딩간에 더 복잡한 상호작용을 허용함으로 모델의 표현력및 예측력을 허용
- MF유저 벡터와 아이템 벡터가 입력으로 들어와서 벡터의 표현을 구함
- 두가지를 함께 하는 것에 이점: 비선형 패턴을 잡는데 어려움이 있음, 선형적인 인터렉션의 어려움
- 비선형 함수는 렐루 사용함, 오버피팅 방지및 스파이스한 데이터에 유용
- 표현 학습 방식으로 접근함 Auto Encoder모델
- 오토인코더: 입력과 출력이 동일한 형태의 모양을 갖도록 압축된 형태의 표현을 학습할수있는 비지도 힉습기반의 차원 축소 모델
- 모델의 경우 입력을 암호화하는 인코더부분과 복호화 하는 디코더 모델이 있음
- 실제값과 예측값의 RMSE와 같은 손실값을 구함 이에 따라 가운데 파라미터의 가중치를 업데이트 함
- 입력 피처의 중요한 것만 나타내도록 함, 텀은 파라미터를 정규화 하는 역할을 함
- MF와 CNN의 만남 : 텍스트 정보를 반영하면 추천에 더 좋지 않을까?
- 텍스트 데이터를 활용한 CNN의 활용을 말함, 유저 평점에 대한 추론
- CNN에서 학습데이터를 반영하는 방법: 임베딩 레이어
공부사진
18일차 후기
오늘도 많이 못들었네ㅠ 얼른들어야지
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.