AI Tech 5기2 Matrix Factorization 1. 협업 필터링 (Collaborative Filtering, CF) 많은 유저들로부터 얻은 선호 정보를 이용해 유저의 관심사 예측 최종 목적 : 유저 u가 아이템 i에 부여할 평점 예측 기본 구조 주어진 데이터를 활용해 유저-아이템 행렬 생성 유저가 평가하지 않은 아이템에 대한 평점 예측 2. 이웃 기반 협업 필터링 (Neighborhood Based CF, NBCF) 유저 기반 유저 간 유사도를 구한 뒤 타겟 유저와 유사도가 높은 유저들이 선호하는 아이템 추천 아이템 기반 아이템 간 유사도를 구한 뒤 타겟 아이템과 유사도가 높은 아이템 중 선호도가 높을 아이템 추천 유사한 하나의 유저/아이템이 아니라 k개 유저/아이템을 이용해 평점을 예측하기도 함 (KNN) 유저/아이템 간 유사도를 메모리에 저장했.. 2023. 4. 4. 추천시스템 주요 성능 평가 지표 Precision/Recall @k Precision@k 추천한 k개의 아이템 중 실제 유저가 관심 있는 아이템의 비율 Recall@k 유저가 관심 있는 아이템 중 추천한 아이템 k개에 속하는 아이템의 비율 예시 k = 5일때 a, b, c, d, e 추천 유저가 관심 있는 아이템은 d, e, z Precision@5 = 2/5 Recall@5 = 2/3 Mean Average Precision@k (MAP@k) Average Precision@k (AP@k) 한 유저에 대해, Precision@1부터 Precision@k까지의 평균 관심 아이템을 먼저 추천할수록 점수 상승 $$AP@K = {1 \over m} \sum_{i=1}^{K}Precision@i$$ Mean Average Precisoin@k.. 2023. 4. 3. 이전 1 다음