뮤트 개발일지

다음에 볼 영화 예측하기 https://github.com/pjk7565/AIFFEL/blob/main/Exploration16/session_based_recommendation.ipynb GitHub - pjk7565/AIFFEL Contribute to pjk7565/AIFFEL development by creating an account on GitHub. github.com https://arxiv.org/pdf/1511.06939v4.pdf

아이유팬이 좋아할만한 다른 아티스트 찾기 협업 필터링(Collaborative Filtering): 다수의 사용자의 아이템 구매 이려 정보로 사용자간 유사성 및 아이템 간 유사성 파악 아이템과 사용자 간의 행동 또는 관계에 주목한다. (아이템 자체의 고유한 속성에는 주목하지 않는다.) * 협업 필터링을 바로 사용할 수 없는 상황 1. 시스템이 충분한 정보를 모으지 못한 사용자나 아이템에 대해 추론을 할 수 없는 상태(콜드 스타트)인 상황 2. 계산량이 너무 많아 추천의 효율이 떨어지는 상황 3. 사용자의 관심이 저조한 항목의 정보가 부족하여 추천에서 배제되는 상황 콘텐츠 기반 필터링(Contents-based Filtering): 아이템의 고유한 정보를 바탕으로 아이템 간 유사성 파악 아이템 자체의 속성..

사이킷런을 활용한 추천 시스템 입문 추천 시스템 1. 범주형 데이터를 다룬다: 액션, 로맨스, 스릴러 등이 영화 item 데이터와 a, b, c 같은 user 데이터를 취급한다. 2. (숫자 벡터로 변환한 뒤) 유사도를 계산한다: 범주형 데이터들을 좌표에 나타내는데, 좌표에 나타내기 위해서는 숫자로 이뤄진 벡터(numerical vector)로 변환해야 한다. 그리고 그 거리를 계산하여 유사도를 계산한다. 코사인 유사도 두 벡터 간의 코사인 값을 이용해 두 벡터의 유사도를 계산한다. 코사인 유사도는 두 벡터의 방향이 이루는 각에 코사인을 취해 구하는데, 두 벡터의 방향이 동일한 경우는 1, 90도의 각을 이루면 0, 반대방향이면 -1을 가진다. 따라서 코사인 유사도는 -1 ~ 1의 값이고, 1에 가까울 ..