문제점은 두개 1. Cold start aout new community, new user, new item 2. Dynamically Chaning about 사용자의 선호도, 아이템의 유행 등등 향후 방향성 : Real-time Optimization - MAB(Malti-Armed Bandit) 알고리즘은 강화학습. 탐색과 활용을 조절하여 보상을 제공 **Value-aware Recommendation based on Reinforced Profit Maximization in E-commerce - 가치 기반의 강화 학습(사용자 클릭 전환율을 실제 수익을 내었을 때 가치로 인정) **Deep Reinforcement Learning based Recommendation with Explicit U..

User Meta data ID, category 1, category 2, club member(binary), fashion news frequency, age, postal code Product Meata data ID, product_code, product_name, product_group_name, graph_code, graph_name, color_group_code, color_name Bseline model 1. Generate Candidates for each users - item-to-item similarites between customer previous baskets - user based collaborative filtering - model based predi..

**Joint Deep Modeling of users and items Using Reviews for Recommendation - Review Data를 추천 시스템에 활용한 논문 - 리뷰를 바탕으로 사용자 행동에 대한 특징과 아이템 특성과 상호작용을 학습 **Joint Training of Ratings and Reviews with recurrent recommender network ICLR - Rating과 Review 데이터를 RNN을 통해 추천 Multimodal Learning - 이미지, 텍스트와 같은 비정형 데이터를 포함하여 context data까지 모두 더불어 모델을 학습하는 방식

비정형 데이터를 활용한 추천 시스템은 컨텐츠 기반 추천 시스템이며, 협업 필터링과 함께 활용해야 큰 강점을 지님 딥러닝 모델을 사용하는 이점 1. Learning Non-linear features 2. Representation Learning 3. Various Architectures : CNN,RNN등 비정형 데이터 특징 추출에 특화된 아키텍처 사용 가능 4. Flexible Structure : end-to-end 구조로 다양한 응용 모델도 같이 활용 가능 **Image-based Recommendations on Styles and Subtitutes - 상품 이미지를 활용한 추천 시스템 논문. 상품 이미지 기반으로 제품 간의 관계를 학습하여 추천하는 모델 - shift sigmoid를 활용하..

surprise : 명시적 데이터를 다루는 라이브러리 implicit : 암시적 데이터를 다루는 라이브러리 lightfm : 명시적/암시적 데이터를 모두 다루는 라이브러리 Recommenders : 콘텐츠부터 딥런이 기반까지 모두 메타 라이브러리 추천시스템 특징 1. 도메인 의존성이 높음 2. 데이터가 폐쇄적임(대부분 개인정보로 의해 제공되지 않음) 카카오 아레나 대회 : 브런치 글 추천 - 평가지표 : NDCG, MAP, Entropy Diversity - 평가지표로 미루어보아 Ranking 문제임을 추론할 수 있음 주요 issue - 신규 글이 많이 노출되는 알고리즘을 설정 - cold start 문제를 해결하기 위한 편향이 없는 글 추천. 베이스라인 코드 - 일정 기간동안 가장 많이 본 글 100개..

Neural Matrix Factorization(NMF) - Neural Collaborative Filtering 논문의 최종 모델 - 기존 Matrix Factorization을 일반화한 모델(GMF)과 Neural Collaborative Filtering을 합친 형태 MF : R=PQ(흡사 SVD) - GMF(Generalized Matrix Factorization)은 P,Q element-wise 연산 AutoEncoder - input과 output이 같아지도록 encoder, decoder를 학습하는 방법. - 즉 x가 잘 축약될 수 있도록 encoder를 학습한다고 볼 수 있음. Wide&Deep Network - Memorization module + Generalization Mod..