(미분류) 개발 팁
Vim 설정
- fisa vim config를 이용해 python 개발에 vim 최적화하기. 기존 세팅과 함께 쓰고 싶으면 다음 단계를 따를 것.
- 기존 .vimrc 파일을 .vimrc_old로 백업한다.
- fisa_vim_config의 .vimrc 파일로 기존 .vimrc를 덮어쓴다.
cat .vimrc_old >> .vimrc로 기존 .vimrc의 내용을 추가한 다음에 충돌하는 옵션을 조정
맥락 기반(Context-aware) 추천 시스템은 어떻게 만드는가?
행렬 분해(Matrix Factorization)를 이용한 추천 시스템 추천시스템을 설계하는 방법은 세상에 존재하는 추천시스템의 숫자만큼이나 많습니다. 각 시스템마다 데이터 특성이 다르기 때문이죠. 하지만 모든 추천시스템에 반드시 필요한 작업을 하나만 꼽으라면, 상품 간에 순위(ranking)를 매기는 것이라고 할 수 있습니다. 유저의 상품 선호도를 점수화해서 1등부터 꼴등까지 쫙 뽑은 다음 랭킹을 매기고, 아래와 같이 랭킹이 높은 순으로 상품들을 보여주는 거죠. 유저의 상품 선호도 점수를 뽑아내는 방법은 여러가지가 있지만, Netflix Challenge 이래로는 Matrix Factorization 계열이 주류였다고 볼 수 있습니다. 최근에는 딥러닝 계열 방법들이 주목을 받고 있지만, 노이즈에 대한 강건성(robustness)이나 스피드 측면에서 Matrix Factorization 방법론들은 여전히 매력적입니다. [그림 1. 간단한 Matrix Factorization 모델] 그림 1은 가장 단순한 Matrix Factorization 모델을 추천에 사용한다고 했을 때 input-output 구조를 표현한 것입니다. 추천 대상이 되는 유저 U의 ID와 추천할 수 있는 상품 A의 ID를 모델에 집어넣으면, 유저 U가 상품 A를 얼마나 좋아할 것 같은지를 점수화해서 예측해줍니다. 이 점수는 상품에 대한 사용자들의 별점(rating)을 의미할 수도 있고, 아니면 추상적인 상품 선호도(item preference)가 될 수도 있습니다. 이러한 Matrix Factorization 모델에서 유저 u의 상품 i에 대한 선호도는 다음과 같이 많이 씁니다. 여기서 는 유저와 상품을 k차원 벡터로 표현한 것입니다. 필요한 경우 다음과 같이 유저별 bias같은 정보를 더 추가할 수도 있습니다. 특히 상품에 대한 별점을 예측하는 경우에는 유저마다 점수를 후하게/박하게 주는 정도가 다르기 때문에 bias는 거의 필...
Comments
Post a Comment