2023. 11. 30. 14:44ㆍNAVER AI Tech/Recommen System
딥러닝을 사용하는 이유
1. nonlinear transformation은 user-item interaction pattern을 효과적으로 모델링하여 선호도를 예측할 수 있음.
2. raw data를 feature representation을 학습하여 표현하기 때문에 사람이 직접 표현을 신경쓰지 않아도 됨.
3. sequence model : next-item prediction, session-based recommendation에 사용됨.
4. Flexibility : 이미 프레임워크가 다양하게 개발되어 있어서 메타데이터가 다양한 추천시스템에서 쉽게 응용하여 사용할 수 있다.
추천시스템에서 첫 딥러닝 모델을 사용했다는 관점에서 History를 한번 알아보자.
1. Neural Collaborative Filtering - MF의 한계를 지적하며 추천시스템에 MLP 첫 도입
- user와 item의 복잡한 관계를 선형적으로 나타내기에는 한계가 있다.
2. Deep Neural Networks for YouTube Recommendations
- YouTube 추천 문제 : scale(너무 많은 유저와 아이템), Freshness(새로 업데이트 된 컨텐츠), Noise(높은 Sparsity)
1. Candidate Generation module : 결국 마지막에 softmax를 통해 다중 분류를 수행하는 모듈
- watch vector and search vector : 과거 시청 이력과 검색 이력이 핵심.
- demographic and geographic feature : 성별 등 인구통계학 정보와 지리적 정보를 embedding하여 feature로 사용
- example age feature : item 생성 나이를 embedding하여 feature로 사용(freshness 제고)
- ANN 알고리즘(tree 생성)을 통해 실시간성 확보
2. Ranking module : Candidate Generation module에서 생성한 top N개의 후보군의 순서를 지정하는 모듈
- Logistic Regression을 사용한 기본적인 방법. 랭킹 score를 구함.
- 이때 클릭 여부가 아닌 시청 시간을 weight로 하여 반영. 예측 또한 CTR이 아닌 Expected Watch Time을 예측
- user action features 사용. 특정 채널에서 얼마나 많은 영상을 봤는지, 특정 토픽을 본지 얼마나 지났는지 등등
- DL 구조 보다는 도메인의 전문가 역량이 중요한 부분.
'NAVER AI Tech > Recommen System' 카테고리의 다른 글
14. Graph Neural Network with Recommend System (0) | 2023.12.04 |
---|---|
13. Auto Encoder with Recommend System. (0) | 2023.11.30 |
11. Approximate Nearest Neighbor(ANN) (0) | 2023.11.30 |
10. Item2Vec (0) | 2023.11.30 |
9. Embedding (1) | 2023.11.30 |