Julie의 Tech 블로그

전통적인 CF 기반 추천 방식은 유저와 아이템 셋이 고정되어있다. 하지만 일반적인 추천 시스템에서는 유저와 아이템 풀이 점점 확장된다. 서비스에서는 신규 유저가 인입되기도 하고, 기존 유저가 이탈하기도 하며, 아이템 셋도 변한다. 또한 가장 중요한 것은 유저의 선호가 지속적으로 변한다는 것이다. 이에 따라 논문은 Contextual Bandit을 CF알고리즘의 특성을 녹여 재구성한 알고리즘을 제안했다. Collaborative filtering bandits SIGIR, 2016 : https://arxiv.org/pdf/1502.03473.pdf 논문에서는 Bandit이 지속적으로 변하는 유저의 선호를 맞춘 추천을 해주기 적합한 알고리즘이라고 소개한다. 하지만 이 알고리즘은 비슷한 아이템이나 유저 간 ..

앞선 글에서 MAB에 대한 정의와 대표적인 알고리즘인 greedy와 e-greedy 를 살펴보았다. 또한 Non-stationary 상태에서의 MAB 문제 해결방법에 대해서도 다루었다. ​ Optimistic Initial Value 우리가 다룬 대부분의 MAB 해결 방법론들은 초기 action-value 추정치가 어떤 값이냐에 따라 어느정도 영향을 받는다. 보통 이러한 상황을 'biased', 즉 편중되었다고 표현한다. 물론 현실에서는 'bias'를 나쁘게만은 생각하지 않을 뿐더러 도움이 될 때도 있지만, bias를 허용한다는 것은 동시에 bias도 파라미터처럼 여겨져 사용자가 control해야하는 변수 내에 있다는 의미이기도 한다. ​ bias는 예상 가능한 보상의 수준을 알려주는 사전 지식으로서의 ..

넷플릭스에서는 영상 이미지, 즉 artwork를 어떤 것을 선택할지에 대해 추천 로직을 적용하고 있다. 이미지는 대표성과 정보성, 매력, 차별성을 지니고 있어야하는데, 이 모두 개인적인 성향에 영향을 받을 수 밖에 없다. 사람들은 대개 장르 혹은 캐스팅에 대한 선호를 지니는데, 이 선호가 이미지로 반영될 수 있다. 행과 열로 구성된 바둑판 화면을 inventory라고 치면, 각 구좌에 배치할 오더링과, 구좌에 넣을 광고 이미지는 어떤 것을 선택해야할까? 이 모든 것은 추천 알고리즘으로 돌아간다. ​ 전통적인 추천 방식은 단연 Collaborative Filtering 이다. 하지만 이로 부족하다. CF는 현재 운영중인 상품 pool 내에서만 유사한 상품 추천이 가능하고, 새로이 탐색할 수 있는 방법이 없..

논문 리뷰 - Matrix Factorization Techniques for Recommender System 추천 시스템은 크게 CF(Collaborative Filtering), CBF(Content-based Filtering)으로 나뉜다. CBF는 유저와 아이템에 대해 각각 Profile DB를 구성한다. 아이템일 경우 예를 들어 영화라고 한다면, 출연하는 배우, 장르, 제작년도 등에 대해 담을 수 있다. 오늘 볼 알고리즘은 CF모델에 해당하는데, CF는 기존의 유저-아이템간의 관계를 파악하여 새로운 유저-아이템간 추천을 해주게 된다. CBF와는 달리 명시적(explicit)인 데이터를 이용하며, 주로 평가(rating)와 같은 과거 경험 데이터를 사용한다. 이 때문에 Cold start pro..

본 글은 Neural Collaborative Filtering (NCF) 논문을 리뷰해볼 것이다. 해당 논문은 기존 CF의 가장 강력한 알고리즘으로 자리잡고 있던 MF(Matrix Factorization) 방법에 대해 한계점을 짚고, 이를 Neural Network기반으로 풀어가면서 어떤 개선을 할 수 있는지를 담고있다. ​ 논문을 본격적으로 리뷰하기 전에 상품 추천 시스템에 대해 좀 더 알아보면, 상품 추천 시스템으로는 세 가지 타입이 있다. 1. User-Product : 개인의 선호에 따라 상품 추천 2. User-user : 유사한 상품 선호를 가졌을 것이라 추정되는 사람간의 상품 추천 3. Product-product : 보충적인 성격을 지닌 상품끼리의 추천 ​ 1번의 경우 완전히 개인화된 ..