반응형 추천시스템5 Embeddings에 대한 이해 -1 | 이미지 기반 유사도, 텍스트 기반 유사도에 대해 이 글은 다음의 글을 참고하여 작성되었습니다. cloud.google.com/solutions/machine-learning/overview-extracting-and-serving-feature-embeddings-for-machine-learning?hl=ko 개요: 머신러닝을 위한 특성 임베딩 추출 및 제공 | 솔루션 | Google Cloud 이 문서는 ML(머신러닝)을 위한 특성 임베딩 추출 및 제공 과정을 살펴보는 시리즈 중 하나입니다. 이 문서에서는 특성 임베딩의 개념과 특성 임베딩이 중요한 이유를 설명합니다. 또한 텍스트 �� cloud.google.com 현재 일하는 스타트업에서는 이미지 기반의 유사도를 측정하여 특정 이미지가 주어졌을 때 이와 유사한 이미지를 찾는 일을 하고 있다. 이미.. 2020. 8. 10. 추천시스템 Collaborative Filtering - Model based approach 앞전에도 썼듯이 추천시스템 중 Collaborative Filtering은 Memory-based와 Model-based로 나뉜다. 다시 한번 내용을 훑으려면, https://simonezz.tistory.com/34 추천시스템 Recommender System 정리 코드만 짜고 하다보니 전체적인 그림이 자꾸 잊혀지는 것 같아 한 번 정리를 쭉 해보고자 한다. 참고 추천시스템이란? 사용자의 interest를 예측해서 흥미로워할 만한 상품을 추천해주는 것. 추천� simonezz.tistory.com 나누는 기준은 parametric maching learning을 사용하는 방법은 Model-based라 할 수 있다. 즉 Gradient Descent와 같은 Optimization방법으로 parameter.. 2020. 5. 31. 추천시스템 Recommender System 정리 코드만 짜고 하다보니 전체적인 그림이 자꾸 잊혀지는 것 같아 한 번 정리를 쭉 해보고자 한다. 참고 추천시스템이란? 사용자의 interest를 예측해서 흥미로워할 만한 상품을 추천해주는 것. 추천시스템에 사용되는 data는 Explicit data와 Implicit data가 있다. Explicit data : ex) 영화를 본 뒤 매기는 평점 Implicit data : ex) 사용자가 장바구니에 담거나 해당 아이템 페이지에 머무르거나 하는 함축적인 정보 왜 추천시스템이 필요한가? 회사입장에서는 판매율을 높이기 위해 필요하다. 각 고객의 취향을 고려한 추천으로 판매율을 높일 수 있다. 또한, 추천은 검색 속도를 높이고 사용자가 자신이 흥미를 느끼는 컨텐츠에 검색하지않고도 더 쉽게 접근하도록 한다. 이외.. 2020. 5. 26. 추천시스템 Collaborative Filtering(CF) Python 기반 [2] 모델 기반 앞선 포스팅에서는 메모리 기반의 collaborative filtering에 대해 다뤘다. https://simonezz.tistory.com/22 추천시스템 Collaborative Filtering(CF) 정리 (Python 기반) - 1 Collaborative Filtering이란 무엇인가? 위의 그림에서도 알 수 있듯이 특정 사용자 A에게 컨텐츠(영화, 뉴스기사 등)를 추천하고자 할 때 취향이 비슷한 사용자의 취향에 기반해 추천을 하는 것이다. 즉 이제까.. simonezz.tistory.com 이제 모델 기반의 방법들에 대해 알아보자. 여기서는 sparse한 user-item matrix를 압축하거나 줄이는 방법 또한 포함하고 있다. 이를 위해서 Dimensionality Reduc.. 2020. 5. 6. 이전 1 2 다음 728x90 반응형
