본문 바로가기

SKT AI9

[SKT AI 커리큘럼] 추천시스템 - 11. Hybrid Recommender System SKT AI 커리큘럼 학습 내용 정리 출처 : T Learning Portal (https://sharedlp.sk.com) 11. Hybrid Recommender System 추천 시스템은 현업에서 한가지로만 사용하지 않는다 -> 여러 모델을 결합하여 사용! ※ SKT에서 사용하는 Hybrid Recommender System 1-stage - 추천할 것이 많기 때문에 추천할 대상을 줄여줌 - High Recall Model (여러 분포의 Variation들이 추천한 후보들을 취합하는 방식) - Collaborative Filtering, Contents based, Profile based 2-stage - 첫 번째 stage를 통해 구한 후보들에 대해 Ranking System 사용 - 강화학습 .. 2023. 3. 29.
[SKT AI 커리큘럼] 추천시스템 - 10. 추천서비스 고려사항(2) SKT AI 커리큘럼 학습 내용 정리 출처 : T Learning Portal (https://sharedlp.sk.com) 10. 추천 기술 : 추천서비스 고려사항 2 Temporal / Preference Dynamics - 추천 시스템은 결국 사용자의 Preference를 반영하는 것 (단기적이든 장기적이든 상황에 따라 변함) (ex. 어떤 사람이 Electric 음악을 좋아한다고 해도 공부할 때나, 알람으로 듣는 음악은 다를 것이다!!) - 사용자의 Preference가 변할 수 있기 때문에 사용자의 패턴이(분산) 달라지게 되면 사용자에게 다시 물어본다. - 또는 사용자가 스스로 바꿀 수 있게 설정을 세팅하기도 한다 -> 최신의 정보를 반영 Explainable Recommendation - 추천.. 2023. 3. 6.
[SKT AI 커리큘럼] 추천시스템 - 9. 추천서비스 고려사항(1) SKT AI 커리큘럼 학습 내용 정리 출처 : T Learning Portal (https://sharedlp.sk.com) 9. 추천 기술 : 추천서비스 고려사항 1 서비스로서 추천 시스템의 역할과 고려해야 하는 사항들 Consumer Bias & Decision Making 1. Price-Value Bias - 똑같은 맛의 와인이 2병 있다면, 더 비싼 Price Tag가 달린 와인이 더 맜있게 느껴지는 편견 - 공상과학 장르와 히어로 장르를 좋아하는 고객에게 어벤져스와 테넷을 추천해준다면 고객은 높은 확률로 어벤져스를 시청할 것이다. - 하지만 이 때 어벤져스는 7150원을 내야 볼 수 있고, 테넷은 무료로 볼 수 있다면 고객은 다음과 같은 2가지의 의사결정 과정을 거친다. 1. 내가 어벤져스 영.. 2023. 1. 12.
[SKT AI 커리큘럼] 추천시스템 - 8. Ranking Problem SKT AI 커리큘럼 학습 내용 정리 출처 : T Learning Portal (https://sharedlp.sk.com) 8. 추천 기술 : Ranking Problem - 지금까지는 사용자들이 서비스가 가지고 있는 아이템에 대해서 어느정도의 소모값을 가지고 있는지 예측하는 문제로 봄 Ranking System - 사용자가 영화를 추천받고 싶을 때, 추천시스템이 사용자에게 추천할 Top-K의 아이템을 나열하는 문제로 받아들임 - 어떻게 가장 최적의 나열을 할 것인가 ?!?!! 1. Pointwise approach - 모든 아이템에 대해 각각이 사용자와 얼마나 연관이 있는지 Relevancy Score를 계산 ( 사실상 랭킹 시스템은 아니라고 봐도 무관 ) 2. Pairwise approach (1).. 2022. 12. 31.
[SKT AI 커리큘럼] 추천시스템 - 7. Collaborative Filtering - Model based SKT AI 커리큘럼 학습 내용 정리 출처 : T Learning Portal (https://sharedlp.sk.com) 7. 추천 기술 : ④ Collaborative Filtering - Model based 사용자가 영화를 보고 평점을 매김 -> 1. User Latent Factor : 유저가 좋아하는 장르에 대한 점수 2. Item Latent Factor : 해당 영화가 장르별 얼마나 해당하는지에 대한 점수 결국 Rating Matrix는 User Latent Matrix와 Item Latent Matrix의 내적을 통해 계산된 결과라고 볼 수 있다! (User Matrix와 Item Matrix를 안다면 Rating Matrix에 빈 공간을 채울 수 있다) User Matrix와 Item.. 2022. 12. 30.
[SKT AI 커리큘럼] 추천시스템 - 6. Collaborative Filtering - Memory based SKT AI 커리큘럼 학습 내용 정리 출처 : T Learning Portal (https://sharedlp.sk.com) 6. 추천 기술 : ③ Collaborative Filtering - Memory based Collaborative Filtering - 나뿐만 아니라 서비스를 사용하는 다른 사람들의 피드백을 활용하는 방법 - Memory based, Model based 의 방법이 존재 Memory Based (User-User CF) - 어떤 사용자의 상품에 대한 정보가 없다면, 해당 사용자와 가장 유사한 다른 사용자들을 찾고 그 사용자들의 점수를 이용하여 알고자 하는 사용자의 rating 값을 구하는 것! - 이 때 구한 값은 사용자별 점수를 주는 정도의 차이가 있기 때문에 평균값을 이용해.. 2022. 12. 24.