Research
-
[Recommeder System] 추천 시스템 - 관련 자료 및 사이트 정리Research/Personalized Recommender Systems 2020. 8. 28. 10:23
작성중... Keras Implementation of Item2Vec[Code] : https://github.com/lujiaying Lua Implementation of Word2Vec[Code] : https://github.com/yoonkim/word2vec_torch/blob/master/word2vec.lua Tensorflow Implementation of Word2Vec[Code] : https://github.com/carpedm20/word2vec-tensorflow 추천 시스템에 대한 전반적인 이해를 위한 글[설명] : https://www.oss.kr/info_techtip/show/5419f4f9-12a1-4866-a713-6c07fd36e647 ALS Implementat..
-
ITEM2VEC: NEURAL ITEM EMBEDDING FOR COLLABORATIVE FILTERING 번역Research/Personalized Recommender Systems 2020. 7. 22. 18:29
논문 링크 https://arxiv.org/ftp/arxiv/papers/1603/1603.04259.pdf ITEM2VEC: NEURAL ITEM EMBEDDING FOR COLLABORATIVE FILTERING 많은 Collaborative Filtering 알고리즘은 item과 item 간의 유사성을 생성하기 위해 item-based 방법을 사용한다. (Natural Language Processing)NLP 분야에서 neural embedding algorithms을 이용한 단어의 의미를 학습하는 방법들이 제안되었다. Skip-gram with Negative Sampling (SGNS) 또는 word2vec이라고 알려진 방법은 다양한 언어학적 관점에서 최신 기술로 여겨진다. 이 페이퍼에서 it..
-
MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS 논문 리뷰Research/Personalized Recommender Systems 2020. 6. 12. 00:08
Netflix Prize Competition에서 보여줬듯이 matrix factorization 모델은 전통적인 nearest-neighbor 보다 실제 상용 추천 에서 더 우수하며 implicit feedback(구매 내역, 검색 내역, 검색 패턴 등 사용자 패턴을 파악하는 간접적인 피드백), teporal effects, confidence levels(신뢰 구간)과 같은 추가 정보를 통합할 수 있습니다. 현대의 소비자들은 선택의 늪에 빠져있습니다. 전자 소매 업체 및 컨텐츠 제공자들은 오감을 만족시키는 새로운 기회를 가진 방대한 제품 선택권을 제공합니다. 가장 적합한 제품과 소비자를 매칭하는 것은 사용자의 만족감과 충성도를 향상시키는 핵심입니다. 그러므로 더 많은 소매업체들이 사용자의 취향에 맞는..
-
Recommendation Systems: User-based Collaborative Filtering using N Nearest Neighbors[번역]Research/Personalized Recommender Systems 2020. 5. 31. 23:18
Recommendation Systems: User-based Collaborative Filtering using N Nearest Neighbors Introduction Collaborative Filtering은 추천시스템에서 널리 쓰이는 기술이며 연구 분야가 급격히 진화하고 있습니다. Memory-based 그리고 Model-based 이 두 방법이 가장 자주 사용됩니다. 이 글에서 우리는 memory-based 방법인 UB-CF(User-Based Collaborative Filtering)을 다룰 것입니다. UB-CF의 주된 아이디어는 비슷한 특징을 가진 사람들은 비슷한 취향이라는 것을 가정합니다. 예를 들어 친구 밥에게 영화를 추천 한다면, 밥이랑 당신이 많은 영화를 같이봤고 거의 비슷하게..