Collaborative Filtering

running example : 영화 평 예측 (predicting movie ratings)

점수가 주어지거나, 점수가 아예 주어지지 않거나 → 주어지지 않은 점수를 예측해야 한다.

어떻게? 유저들의 관계 정보를 활용하여. (Collaborative)

가정 : 나와 비슷한 취향의 사람들이 좋아하는 것은 나도 좋아할 것이다.

포인트 : 많은 사용자들로부터 얻은 취 향 정보를 활용해야 한다.

1. Memory-Based Approach (룰기반)
   1. User-based - 유사도 기반 나와 유사한 사용자를 찾는 것
   2. Item-based - 특정 아이템을 좋아한 사용자들이 공통적으로 좋아한 item을 찾는 것
2. Model-Based Approach (모델기반)
   1. Matrix Factorisation (행렬기반)
   2. Neural Network (신경망)

아래 내용은 기계학습 알고리즘에 대한 설명

특히 행렬기반 경사하강법을 통한 추청; 즉 에러(예측과 실제 평점을 비교)를 계산하는 작업의 반복

우리에게 주어진 데이터가 영화에 대한 유저들의 평점이라면?

이 상황에서 우리는 어떤 유저에게 무엇을 추천해야할까?

→ 알고리즘을 통해 사용자가 아직 평가하지 않은 아이템의 평점을 예측해보자. 사용자의 선호도는 Hidden Factor로 결정된다!

1. Per-item features 사용하기

   

   • note
   • 미션 : 유저 $j$에 대해 영화 $i$의 예상 평점부터 먼저 예측해야 한다. 근데, 영화 피처가 존재할 때.
     • $w^{(j)}*x^{(i)}+b^{(j)}$ linear regression
   • (참고)Cost function

2. Collaborative filtering algorithm

   

   • 미션 : 유저 $j$에 대해 영화 $i$의 예상 평점부터 먼저 예측해야 한다. 근데, 영화 피처를 모를 때.
     • 영화 피처 $x^{(i)}$에 대한 추정 또한 추가적으로 필요.(Hidden Factor) → 무엇을 기반으로? 유저들의 각 영화에 대한 취향으로 기반으로. 즉… 정확한 예측을 위해서는 다양한 유저들의 취향이 필요하다는 것.
     • Cost function
     • 유저 피처에 대한 학습과 영화 피처에 대한 학습을 합쳐줄 필요가 있음
     • Cost function
   • 예측을 위한 알고리즘 : 선형회귀의 Gradient Descent(경사하강법)

3. Binary labels

   

   • 좋아하는 것들을 알았는데, 다른 것들도 좋아할까? 라는 질문으로 확장 가능 → 회귀 문제에서 분류 문제로…
     • 적용 예시
       • 어떤 유저가 해당 상품에 노출된 뒤 그 상품을 살까? → 좋아함(1), 싫어함(0), 모름
       • 어떤 유저가 이 아이템을 좋아할까? → 좋아함(1), 싫어함(0), 모름
       • 유저가 이 아이템을 클릭할까? → 좋아함(1), 싫어함(0), 모름