짧은 요약 :

추천 알고리즘 대략적인 컨셉노트  

추천 알고리즘

REC
*이웃기반 (유저-아이템) CF
**구현 간단 model base CF보다 계산 적고 새유저-아이템에 대해 안정적
**대신 콜드스타트문제와 데이터 많아질수록 계산량 문제, 롱테일 이코노미문제(소수 아이템 쏠림 현상)의 단점이 있음

*자카드 유사도
**교집합/합집합 ->얼마나 많은 아이템이 겹치는지 판단
*피어슨 유사도
**코사인 유사도와 유사. 정규화가 추가됨. 1은 양의상관관계, -1은 음의상관관계, 0은 상관관계 없음

*content based rec sys

**유저 과거 경험 중 비슷 아이템 현재 추천
**장-다른유저데이터 없어도 되고 아이템범위 넓고 추천 이유 제시할 수 있음
**단-적절 피처 찾기 어렵고 새로운유저 추천 어렵고 선호 특성만 반복 추천
**피처추출 중요_클러스터링 tfidf dl등

**user profile-사용자가 가진 컨텐츠 등으로부터 특성 뽑음
**스케일차이 있다변 코사인 유사도
**그렇지 않다면 유클리디언 거리->knn알고리즘이 이거 씀: 가까운 거리 k개 택->우세종 택
**거리로 맨헤탄 마나로브 도 있음

*협업필터링
**많은 사람의 의견으로 추천
**비슷한 호감을 낸 집단 꺼 보고 추천
**이웃기반(아이템기반, 유저기반)
**모델기반(딥러닝이 여기 해당)
**하이브리드(컨텐츠 합친 거)

*모델기반
**이웃은 고전. 모델이 딥러닝에 가깝.
**특징 학습. 기존 행렬보다 압축.
**모델 이미 학습되서 계산시간 적겠지
**오버피팅 방지 가능. 스파스 채우므로..
**연관성분석, SVD, clustering, bayes, svm, regression, deep learning

*latent factor model
**잠재된.. 의미.. 기존 특성들을 레이턴트 펙터인 벡터로 간략화
**유저와 아이템을 같은 차원화

*matrix factorization
**Singular Value Decomposition
**우리가 가진 유저아이템 레이팅 매트릭스를 분해하겠다. 분해해서 얻은 벡터값을 레이턴트 벡터로 보는 것
**AA^T와 A^TA를 각각 고유값 분해로 leftSV, rSV얻음(각각 유저, 아이템 대표) 중간성분 시그바는 레이턴트팩터 중요도로 복원 때 씀
**노이즈 제거, 데이터축소

*matrix factorization?
**레이턴트 팩터 모델 구현하는 방법.
**레이팅메트릭스 분해
**유저-무비 를 유저-레이턴트 x 레이톤트-무비 로 분해
**분해한 두개가 기존 유저-무비와 유사하게 학습
**관측값으로 학습

**SGD , ALS 써서 학습
**스파스니까 에러텀 써서 제너럴하게 학습 유도
**오버피팅 피하기 위한..

**ALS Xu Yu 둘다 모를 때 둘 중 하나 고정
**쿼드러틱 최적화
**병렬처리 장점, 임플리싯 피브백에 유리

*피드백
**implicit 머무는 시간, 클릭시간
***explicit 설문조사, 평가

**프로파일링- 각종 정보들 아이템화?

*advanced mf-bayesian personalized ranking from implicit feedback(BPR)

**랭킹 맞추는 문제 풀기
**임플리싯 피드백 잘 다룸
**핵심은 mf에 적용 knn도 사용<-bpr opt적용
**사후확률 기반 최적화bpr opt gd보다 좋음

**likelihood function과 모델파라미터에대한 prior probability를 사용한 베이지안 문제로 볼 수 있음
**post ~ likelihood * prior(정규분포)
**미분가능이니 gd이지만 sgd 보다는 learn bpr제안. triples 학습하는 부트스트랩 기반 sgd. 랜덤하게 triples 선택

*하이브리드-
**컨텐츠베이스+콜래보레이티브필터링+도메인놀리지/컨텍스트

*아이템중 비슷+이웃과비교,잠재특성 반영 비슷 추천+도메인지식,사용자특징반영
**ex)웨이티드 앙상블-여러 추천 결과 앙상블
***믹스드(다 보여쥼),스위치(사용자가 폰이냐 컴이냐에 따라 다르게), 피처컴비네이션(다양 피처 조합), 메타레벨(여러 모델 조합하는데 첫 모델이 다음 모델 인풋 서로서로 학습)

*context-aware recsys
**기존 유저/아이템 제공 explicit and 유저 클릭 같은 implicit 사용
**컨텍스트, 유저사용 이용.. 유저아이템과 관련이 있는 처한 상황의 특징적 정보- 시간, 위치 정보

**뉴스-기존:유저 성향과 컨텐츠 유사도
**문맥: 월요일이라면 날씨 등 보여줌
**—> 시간을 보네.
**+날씨, 메타정보(판매자정보, 키워드, 테그 등)
**접속기기 평점이벤트 등 explicit으로 implicit얻음

**적절 컨텍스트로 초기 필터링도 가능
**ab test, 도메인지식 적용

**pre-filtering, post-filtering
**daily, weekly 정보도 포함
**스태틱, 다이나막 * 풀리, 파셜리, 언 옵져버블
**컨텍스트 보고 미리-프리, 추천 후에-포스트
**컨텍스트 정보는 똑같
**너무 스페시픽한 것은 제너럴라이즈 해서 사용

**콘텍스튜얼 모델링- 고차원 매트릭스 사용

*lars-location aware rec sys
**위치기반

*neural cf:
**-linear MF 의 선형성 보완하는 뉴럴네트워크사용

**input: one hot
**embedding layer 거쳐서 덴스
**유저 아이템 레이턴트 두개 컨캣해서 통과
**output: 상관계수 0-1

**베르누이분포 사용 loss는 cross entropy
**학습 sgd

**gmf, mlp 컨캣해서 최종 레이어 태움

Factorization Machine
**SVM + Factorization
**sparse data처리, linear complexity라 빠름, general prediction해줌

Wide&Deep Learning fore Rec-sys 211220
**wide - memorization with 과거 데이터 feature 추출된 걸로(Linear 모델, feature vector로 이루어짐)
**item들 보고
*deep - generalization with unseen(DNN using embeddings)
**new combination 해봄
**wide + deep 으로 상호보완