[ML] 추천 시스템(Recommendations)

CH09. 추천 시스템

01. 추천 시스템의 개요와 배경

온라인 스토어의 필수 요소, 추천 시스템

추천 시스템의 유형

• 콘텐츠 기반 필터링
• 협업 필터링
  • 최근접 이웃 협업 필터링
  • 잠재 요인 협업 필터링

02. 콘텐츠 기반 필터링 추천 시스템

사용자가 특정한 아이템을 매우 선호하는 경우, 그 아이템과 비슷한 콘텐츠를 가진 다른 아이템을 추천하는 방식

03. 최근접 이웃 협업 필터링

사용자 행동 양식만을 기반으로 추천을 수행하는 것

사용자 기반과 아이템 기반으로 나뉜다

04. 잠재 요인 협업 필터링

잠재 요인 협업 필터링의 이해

사용자-아이템 평점 매트릭스 속에 숨어 있는 잠재 요인을 추출해 추천 예측을 할 수 있게 하는 기법

행렬 분해: 대규모 다차원 행렬을 SVD와 같은 차원 감소 기법으로 분해하는 과정에서 잠재요인을 추출하는 기법

행렬 분해의 이해

다차원의 매트릭스를 저차원의 매트릭스로 분해하는 기법

SVD, NMF 등

 

확률적 경사 하강법을 이용한 행렬 분해

P와 Q 행렬로 계산된 예측 R 행렬 값이 실제 R 행렬 값과 가장 최소의 오류를 가질 수 있도록 반복적인 비용 함수 최적화를 통해 P와 Q를 유추해내는 것

 

05. 콘텐츠 기반 필터링 실습 – TMDB 5000 영화 데이터 세트(601p)

장르 속성을 이용한 영화 콘텐츠 기반 필터링

 

데이터 로딩 및 가공

 

장르 콘텐츠 유사도 측정

 

장르 콘텐츠 필터링을 이용한 영화 추천

 

06. 아이템 기반 최근접 이웃 협업 필터링 실습(613p)

데이터 가공 및 변환

 

영화 간 유사도 산출

 

아이템 기반 최근접 이웃 협업 필터링으로 개인화된 영화 추천

 

07. 행렬 분해를 이용한 잠재 요인 협업 필터링 실습

Surprise 패키지 소개

 

08. 파이썬 추천 시스템 패키지 – Surprise

Surprise를 이용한 추천 시스템 구축

Surprise 주요 모듈 소개

Dataset

OS 파일 데이터를 Surprise 데이터 세트로 로딩

 

Surprise 추천 알고리즘 클래스

 

베이스라인 평점

 

교차 검증과 하이퍼 파라미터 튜닝

cross_validate()와 GridSearchCV 클래스

 

Surprise를 이용한 개인화 영화 추천 시스템 구축