티스토리

Redish

검색하기

블로그 홈

Redish

ghdtnsqls.tistory.com/m

빨간순빈 님의 블로그입니다.

구독자: 0

방명록 방문하기

주요 글 목록

패스트캠퍼스 환급챌린지 41일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 CatBoost CatBoost는 Yandex(러시아판 구글)가 개발한 Gradient Boosting Decision Tree(GBDT) 기반의 머신러닝 라이브러리.기본적으로 XGBoost나 LightGBM 같은 계열이지만, CatBoost는 특히 범주형(categorical) 변수 처리에서 특화된 기능을 가지고 있음. 다른 GBDT 모델들은 범주형 피처를 수치형으로 변환한 후에 학습해야 하지만CatBoost는 범주형 피처를 그대로 넣어도 학습이 가능함.내부적으로는 통계적 인코딩과 순서 기반 처리를 통해 target leakage 없이 학습하는 구조이 덕.. 공감수 0 댓글수 0 2025. 5. 11.
패스트캠퍼스 환급챌린지 40일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 TensorFlow Recommenders TFRS는 추천 시스템을 위한 구조를 모듈화해서 제공하는 TensorFlow 기반의 라이브러리.추천 시스템이 자주 사용하는 두 가지 주요 구조, Retrieval과 Ranking을 명확히 분리해서 설계할 수 있도록 도와줌.전체적인 구조는 모델을 구성하는 user_tower, item_tower, 그리고 task를 담당하는 tfrs.tasks로 나뉨.이 구조를 따라가면 딥러닝 추천 시스템을 처음부터 직접 짜는 것보다 훨씬 깔끔하게 정리된 형태로 모델을 만들 수 있음. Two-Tower 구조의 의미 기본 구조는 흔히 .. 공감수 0 댓글수 0 2025. 5. 10.
패스트캠퍼스 환급챌린지 39일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 TensorFlow Recommenders란 구글에서 만든 추천 시스템 전용 라이브러리.TensorFlow 기반이고, 이름은 TensorFlow Recommenders, 줄여서 TFRS라고 부른다.추천 모델을 직접 짜면 귀찮은 부분이 많은데,이걸 일관된 구조로 쉽게 만들고 실험하게 도와주는 프레임워크라고 보면 됨.모델 구조, 학습, 평가, 서빙까지 한 번에 구성할 수 있도록 설계돼 있음. 왜 이런 라이브러리가 필요한가? 추천 시스템은 입력이 유저와 아이템 두 개로 구성되는 경우가 많고딥러닝으로 하려면 embedding 처리도 많고 loss도 일반 분류랑 .. 공감수 0 댓글수 0 2025. 5. 9.
패스트캠퍼스 환급챌린지 38일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 유틸리티 중심 추천이 실무에서 사용되는 방식이론만 보면 좋아 보이는 모델도 실제 현업에선 적용이 어렵다.그런 점에서 이번 강의는 유틸리티 스코어 기반 추천이 실제로 어떻게 도입되고 있는지,해외 기업과 국내 기업들이 어떻게 접근하고 있는지를 살펴볼 수 있어서 실질적인 인사이트가 많았다.단순 클릭보다 진짜 유저 행동을 유의미하게 반영하려면 어떤 고민과 구조가 필요한지도 명확하게 드러난다. 해외 기업 사례 - YouTube유튜브는 대표적인 유틸리티 기반 추천 시스템 도입 사례다.예전에는 CTR 기반으로 추천 모델을 구성했지만, 결과적으로 자극적인 썸네일이나 클릭베.. 공감수 2 댓글수 0 2025. 5. 8.
패스트캠퍼스 환급챌린지 37일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 utility score 기반 추천 시스템 유저에게 진짜로 유용한 것을 추천하는 방향 추천 시스템을 공부하다 보면 CTR, 즉 클릭률을 높이는 게 목표처럼 느껴진다클릭만 잘 유도하면 되는 거 아닌가 싶지만, 실제로는 클릭이 유저에게 도움이 되는 행동인지는 별개의 문제다 클릭 이후의 행동이 중요하다는 걸 고려하지 않으면 결국 유저 만족도와 서비스 성과가 연결되지 않는다이런 고민 끝에 등장한 개념이 바로 유틸리티 기반 추천이다CTR 중심 추천 시스템의 한계 CTR은 로그 수집도 쉽고 학습 구조도 간단하다. 클릭 여부만 확인하면 되기 때문에 데이터 정제나 라벨링도.. 공감수 1 댓글수 0 2025. 5. 7.
패스트캠퍼스 환급챌린지 36일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷 학습후기 DLRM의 기본 개념 DLRM(Deep Learning Recommendation Model)은 Facebook에서 제안한 대규모 추천 모델 구조로, dense feature와 sparse feature를 함께 처리하는 방식으로 구성되어 있음dense feature는 연속적인 수치 데이터, sparse feature는 범주형 데이터로 각각 처리 경로가 다름dense feature는 MLP를 통해 변환하고, sparse feature는 임베딩 처리 후 interaction layer에서 결합interaction은 pairwise dot-product 방식으로.. 공감수 0 댓글수 0 2025. 5. 6.
패스트캠퍼스 환급챌린지 35일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 Ranking은 정렬이 아니라 예측 모델이다 Ranking이라고 하면 높은 점수 순으로 정렬하는게 떠오르지만실제 추천시스템에서 Ranking은 더 복잡하다. Retrieval 단계에서 조건에 맞는 300개의 상품을 추출했다.이걸 정렬하는 Ranking 단계에서는 어떤 기준이 필요할까? 해당 유저가 구매할 확률이 높은 순으로 정렬해 줄 모델이 Ranking이다.따라서 Ranking은 이 문제를 분류 또는 회귀로 접근한다.클릭/결제/관심/재방문 등 유저 행동을 예측하는 모델을 통해 예측값을 점수로 사용해 정렬한다. 대표적인 Ranking 알고리즘1. Pointw.. 공감수 0 댓글수 0 2025. 5. 5.
패스트캠퍼스 환급챌린지 34일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 ch02-04.새로운 모델이 나왔을 때 확인해야할 점 SOTA는 'State of the Art'의 약어로, 인공지능(AI) 및 기계 학습(ML) 분야에서 특정 작업에 대해 현재 사용 가능한 최고의 모델 또는 알고리즘을 의미한다 성능이 좋은 모델이라도 실무에서는 별 의미가 없을 때가 많다. 새로운 모델을 판단할 때 체크해야 할 것들 1. 학습 속도 및 추론 속도정확도가 좋아도 학습에 며칠이 걸리고 서빙이 느리면 실무에서 사용할 수 없다. 2. 데이터 요구량유저수와 로그데이터의 규모에 따라 적합한 모델이 따로 있다.예를들어 딥러닝 기반의 모델들은 적은 데이.. 공감수 1 댓글수 1 2025. 5. 4.
패스트캠퍼스 환급챌린지 33일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 ch02-02.Two tower architecture 유저 타워와 아이템 타워 두 개의 독립적인 신경망이 유저와 아이템 인베딩을 각각 생성.이 임베딩 벡터들의 Dot Product 또는 Cosine Simimilarity를 통해 추천 점수 계산 유저벡터와 아이템벡터는 상호보완적으로 임베딩을 생성하지않나? 어떻게 각각 독립적인 임베딩을 생성할 수 있지? tow-tower 구조에서는 유저와 아이템 임베딩을 독립저으로 만들지만학습은 상호작용 데이터로 합꼐 한다. 유저 타워 : 유저 ID + side feature -> User Embedding아이템 타워 .. 공감수 0 댓글수 0 2025. 5. 3.
패스트캠퍼스 환급챌린지 32일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 추천 시스템 벤치마크, 실무에서 진짜 중요한 이유 이번 강의에서는 추천 시스템의 성능을 비교하고 평가하기 위한 벤치마크 프레임워크 BARS와,Retrieval 단계에서 자주 사용하는 Matrix Factorization(MF)과 DNN 기반 모델의 차이를 다뤘다. 좋은 추천 모델을 논의하려면 단순히 AUC, Recall 같은 지표만 보면 안 되고그 모델이 어떤 상황에서 잘 작동하는지 어떤 조건에서 한계가 있는지를 같이 봐야 한다 BARS(Benchmarking for Advanced Recommender Systems): 실무 지향 추천 알고리즘 벤치마크 프.. 공감수 0 댓글수 1 2025. 5. 2.
패스트캠퍼스 환급챌린지 31일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 추천 시스템의 핵심은 결국 데이터셋이다 이번 강의는 추천 시스템에서 ‘모델’보다 중요한데이터셋 구성에 집중한 내용이었다.처음엔 모델이 전부인 줄 알았는데실무에서 추천을 직접 만들어보면어떤 데이터를 어떻게 모으고, 전처리하고, 학습용으로 구조화하느냐가 중요하다garbage in garbage out이란 말이 괜히 있는게 아니다 추천 시스템에 필요한 데이터는 무엇인가? 기본적으로 추천 시스템은유저 - 아이템 - 인터랙션이 세 가지가 핵심이다.유저 정보 (age, gender, location 등)아이템 정보 (카테고리, 가격, 속성 등)그리고 두 요소가 만나.. 공감수 0 댓글수 0 2025. 5. 1.
패스트캠퍼스 환급챌린지 30일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 패스트캠퍼스 환급챌린지는 60일간 매일 공부하는 습관을 들이기 동기부여를 위해 진행하지만제가 이번에 28월 29화 30수에 예비군이 예정되어있어 미리 패스트캠퍼스측에 메일로 문의한 결과예비군 가기 전 27일요일에 [28월 29화 30수] 분량을 포스팅하고예비군 참석 관련 서류를 제출하면 예외적으로 인정해준다고 합니다ㅎㅎ 공부 시작강의 종료강의장학습 인증샷학습후기 ch02-06. 멀티 스테이지 추천 아키텍쳐 도메인 별 예시를 보고 항공권 추천을 위한 Retrieval → Filtering → Scoring → Ordering 구조를 만들어봤다. Retrieval -> 비슷한 조건(출발지, 도착지, .. 공감수 2 댓글수 0 2025. 4. 27.
패스트캠퍼스 환급챌린지 29일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 패스트캠퍼스 환급챌린지는 60일간 매일 공부하는 습관을 들이기 동기부여를 위해 진행하지만제가 이번에 28월 29화 30수에 예비군이 예정되어있어 미리 패스트캠퍼스측에 메일로 문의한 결과예비군 가기 전 27일요일에 [28월 29화 30수] 분량을 포스팅하고예비군 참석 관련 서류를 제출하면 예외적으로 인정해준다고 합니다ㅎㅎ 공부 시작강의 종료강의장학습 인증샷학습후기 ch02-04. 유튜브 추천 아키텍쳐모델을 넘어서 시스템을 고려해야 하는 이유 주어진 Feature를 사용하는 것이 아니라 필요한 Feature를 찾아야한다.주어진 데이터셋을 사용하는게 아니라 데이터셋을 직접 정의해야한다.정해진 모델 메.. 공감수 0 댓글수 1 2025. 4. 27.
패스트캠퍼스 환급챌린지 28일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 패스트캠퍼스 환급챌린지는 60일간 매일 공부를 하는 습관 들이는 동기부여를 위해 진행하지만제가 이번에 28월 29화 30수에 예비군이 예정되어있어 미리 패스트캠퍼스측에 메일로 문의한 결과예비군 가기 전 27일요일에 [28월 29화 30수] 분량을 포스팅하고 예비군 참석 관련 서류를 제출하면 예외적으로 인정해준다고 합니다ㅎㅎ 공부 시작강의 종료강의장학습 인증샷학습후기 유튜브 추천 아키텍처 이전 강의에서 추천시스템 학술 논문은 보통 성능을 중점으로 보기 때문에실제 서비스에서 사용하기에 적합하지 않은 경우가 많다고 했다 유튜브 추천 아키텍처를 알아보면서 효율도 보장하고 무엇보다 Latency가 적게 .. 공감수 1 댓글수 0 2025. 4. 27.
패스트캠퍼스 환급챌린지 27일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 Part4. 추천시스템이 필요한 이유 ch02-01. 추천 모델 히스토리 과거에는 대부분의 정형 데이터를 사용했기 때문에 Linear model 기반 추천이 보편적이였다 요즘에는 정형, 메트릭스 기반의 데이터 뿐만 아니라 자연어 이미지 등 비정형 데이터 까지 사용 가능하기 때문에지금 시점에서는 더 좋은 방법이 많다. 물론 서비스 초반에는 모든 비정형 데이터를 사용하기 힘들기 때문에 Linear model 기반 추천으로 시작하고다른 비정형 데이터를 추가해 성능을 올리는게 정석인거같다. ch02-02. 추천 모델 히스토리딥러니 추천 모델에서산업에서 추천 모델의.. 공감수 0 댓글수 0 2025. 4. 27.
패스트캠퍼스 환급챌린지 26일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 ChatGPT를 이용한 대화형 추천 실험 리뷰 이번 강의에서는 논문 "Is ChatGPT a Good Recommender? A Preliminary Study"를 중심으로, ChatGPT를 이용한 추천 실험이 실제로 어떻게 진행됐는지를 다뤘다. 실험 세팅 데이터셋: 아마존 e-commerce 데이터 (Beauty 카테고리) 모델: gpt-3.5-turbo 평가 지표: 평점 예측 (RMSE, MAE) 순차적 추천, 직접 추천 (Top-K Hit Ratio, NDCG) 설명 생성, 리뷰 요약 (BLEU, ROUGE, Human 평가)실험 결과 요약 평점 예측.. 공감수 0 댓글수 0 2025. 4. 26.
패스트캠퍼스 환급챌린지 25일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 대화형 추천 시스템은 굉장히 흥미로운 개념이다. 이번에 들은 강의는 단순한 UI용 챗봇이 아니라 추천 시스템의 일부로서 '대화'를 어떻게 설계하고, 운영할 것인가에 초점을 맞춘다.대화형 추천이 필요한 이유 기존 추천 시스템은 유저의 행동 로그가 있어야 작동한다. 하지만 cold start 상황, 또는 선호가 자주 바뀌는 도메인(패션, 여행 등)에서는 대화로 유저의 상황과 의도를 파악하는 게 훨씬 유리하다. 예를 들어, “편하게 입을 여름 옷 뭐 있어요?” 이 한 마디에 ‘반팔 티셔츠’, ‘린넨 반바지’, ‘쿨링 셔츠’ 같은 추천이 바로 따라와야 한다. 대화.. 공감수 1 댓글수 0 2025. 4. 25.
패스트캠퍼스 환급챌린지 24일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 LINE 쿠폰 추천 시스템쿠폰 시스템은 기본적으로 많은 유저에게 수천개의 쿠폰 중에 "지금 이 타이밍에 이 유저에게 맞는 쿠폰"을 추천해야한다.여기에는 다양한 제약과 조건이 붙는다. 쿠폰을 뿌리는 목적은 단순 구매 유도가 아니다. 유저가 클릭할만한 쿠폰이 아니라 비즈니스 효과를 최대화할 수 있는 쿠폰이 필요하다. 쿠폰은 재고가 있고 기한이 있으며 특정 시간대나 지역에만 유효하거나 특정 고객에게만 뿌릴 수 있다. 단순히 user-item을 채우는 문제가 아니라추천+제약 조건 최적화 문제다. LINE 구조 설계 1. Scoring Layer유저와 쿠폰의 상호작.. 공감수 0 댓글수 0 2025. 4. 24.
패스트캠퍼스 환급챌린지 23일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 MAB (Multi-Armed Bandits)당첨확률이 각각 다른 슬못머신 여러 개 중에서 한 번에 하나씩 눌러가며 최대 보상을 얻고 싶은 상황을 수학적으로 모델링한 문제 지금까지 좋았던 걸 계속 추천할까? 아니면 아직 테스트하지 않은 걸 시도해볼까?이 딜래마를 탐험(Exploaration) vs 활용(Exploitaion) 사용예시1. 뉴스 앱에서 어떤 기사 헤드라인을 띄워야 클릭이 잘 나올까2. 광고 시스템에서 어떤 배너가 전환율이 높을까3. 커머스 메인에서 어떤 상품을 배치하면 가장 반응이 좋을까이렇게 즉시 반응(CTR, 클릭, 구매)을 기반으로 추천.. 공감수 1 댓글수 0 2025. 4. 23.
패스트캠퍼스 환급챌린지 22일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 Feature 정보 활용추천 시스템을 만들다 보면 자연스럽게 고민하게 되는 게"단순히 유저-아이템 매트릭스만 써도 되는 걸까?"라는 질문이다.결론부터 말하면, 실제 서비스에선 행동 로그만으로는 한계가 분명히 있다. 유저가 누구인지, 아이템이 어떤 특징을 갖고 있는지즉, 유저와 아이템 각각의 feature 정보를 활용하면 더 풍부한 표현이 가능해진다. 유저 입장에선 나이, 성별, 지역, 관심사, 구독 플랜 같은 것들.아이템 쪽에선 카테고리, 장르, 가격, 등록일, 해시태그, 메타태그 등등.이런 속성들이 모델에 들어가면 cold start에도 도움이 되고,기존 .. 공감수 1 댓글수 0 2025. 4. 22.
패스트캠퍼스 환급챌린지 21일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 콜드 스타트 해결 방법 - Naive Approaches 1. 인기 아이템 추천보통 좋은 반응하지만 유저의 고유한 선호도 반영 X 2. 랜덤 아이템 추천신규 유저에게 랜덤하게 아이템 추천다양한 아이템에 노출되기 때문에 유저의 선호를 발굴 가능그러나 부족한 relevance로 서비스 이탈 위험 3. 인구 통계 기반 추천유저의 특성에 따라 segment를 나누어 반응이 좋은 아이템을 추천 4. 규칙 기반 추천콘텐츠/아이템 특성, 계정 생성 시간, 디바이스 정보 등사전에 정의된 조건에 따라 특정 아이템을 자동 추천예: 새벽 가입 유저에겐 심야용 콘텐츠 우선 노출.. 공감수 1 댓글수 0 2025. 4. 21.
패스트캠퍼스 환급챌린지 20일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 Part3. Cold Start 문제 해결 방법ch01-01 Cold Start란 추천시스템은 보통 사용자의 과거 행동이나 아이템의 유저 사용 이력 데이터를 바탕으로 작동한다.하지만 유저와 아이템에 대한, 새로운 상황에 대한 데이터가 없다면 추천모델이 의도대로 작동하지 못 한다. 콜드스타트사용자 -> 이 사람에게 어떤 아이템을 추천해야 할지 모름아이템 -> 어떤 사용자에게 이 아이템을 추천해야 할지 모름도메인 / 새로운 서비스 -> 전체 사용자와 아이템이 다 처음 보는 것 해결방법 1. 콘텐츠 기반 추천사용자 또는 아이템 유사도 기반 추천 2. 지식그래프 .. 공감수 0 댓글수 0 2025. 4. 20.
패스트캠퍼스 환급챌린지 19일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 ch01-14. 지식그래프, ch01-15. 지식그래프임베딩 지식그래프란개체와 그 사이의 관계를 삼각형 구조로 표현한 그래프. ("스티브 잡스", "창업자", "애플")("서울", "수도", "대한민국")entitiy와 relation의 구조적 연결을 통해 지식망을 구성한다. 지식그래프 임베딩이란이런 데이터를 머신러닝이 이해할 수 있는 벡터 형태로 바꾸는 것이다.각 entitiy와 relation을 고정된 차원의 벡터 공간에 임베딩하면모델은 이 벡터들을 기반으로 다음 관계를 예측하거나 ,그래프의 누락된 연결을 보완할 수 있다. 사용이유누락된 연결을 채울 수 .. 공감수 1 댓글수 0 2025. 4. 19.
패스트캠퍼스 환급챌린지 18일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 PinSAGE 핀터레스트에서 개발한 GrapgSAGE를 확장한 모델 단순 랜덤 샘플링이 아니라 random walk를 기반으로 유의미한 이웃을 선택한다.유사한 이미지끼리 더 자주 연결되게 함으로써 더 관련도 높은 정보를 학습한다. 추론 과정에서는 효율성을 극대화하기 위해 전체 아이템 그래프 임베딩을 미리 계산해 저장해 둔다이후 유저 임베딩만 실시간으로 계산하고, 저장된 아이템 임베딩과의 유사도만 비교하면 된다. 이로써 대규모에서도 빠른 실시간 추천이 가능해진다.랜덤 샘플링 대신 random walk가 왜 더 좋은 효율을 보이는거지? ramdom walk를 사.. 공감수 1 댓글수 0 2025. 4. 18.
패스트캠퍼스 환급챌린지 17일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 ch01-10 코드실습 2 DGL 라이브러리, 3 GraphSAGE DGL이란?복잡한 그래프 연산을 쉽게 짜게 도와주는 PyTorch 기반 GNN 프레임워크 복잡한 그래프 연산을 한 줄로 처리 가능샘플링, 배치 처리 등 연산 자동화다양한 GNN 모델 템플릿 제공 PyTorch 기본 구현import torchimport torch.nn as nnimport torch.nn.functional as Fimport dglimport dgl.function as fnclass DGLGraphSAGE(nn.Module): def __init__(self, in.. 공감수 0 댓글수 0 2025. 4. 17.
패스트캠퍼스 환급챌린지 16일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 ch01-09. GraphSAGE - Sampling and Aggregation 전체 인접행렬을 보지 않고 sampling을 통해 이웃을 구성하고agg function을 학습함으로써 scalable한 학습을 가능케한 방법론 따라서 큰 그래프에서는 메모리에 올릴 수조차 없는 경우에 강점을 가짐그리고 부분 그래프만 보고도 학습이 가능해진다.scalable 하다는것은 의도한 부분 그래프의 크기를 수정하며 학습이 가능 기존 GCN은 agg 함수가 고정되어 있지만GrapgSAGE는 다양한 agg 삼수를 자체 학습 가능하다. GrapgSAGE에 사용하는 agg의 종.. 공감수 0 댓글수 0 2025. 4. 16.
패스트캠퍼스 환급챌린지 15일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 DeepWalk그래프를 임베딩하는 기법랜덤워크 -> 시퀀스 생성 -> Word2Vec 학습 -> 노드 임베딩 완성 U1 ─ I1 ─ U2 ─ I2 ─ U3이런 그래프가 있다고 한다면 여기서 랜덤하게 이동하면 “U1 → I1 → U2 → I2” 같은 경로가 생긴다.이걸 Word2Vec에 넣고 중심 단어와 주변 단어를 예측하면 각 노드에 의미있는 임베딩이 생기는 구조그래프라면 이미 연결 관계가 정의되어 있는데 왜 랜덤하게 이동하는거지? 이는 단순히 연결 정보만 보는 게 아니라걸음수를 통해 연결의 흐름과 간접적인 관계까지 문맥으로 보는 점에서 차별성이 있다. G.. 공감수 2 댓글수 0 2025. 4. 15.
패스트캠퍼스 환급챌린지 14일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 PageRank란?그래프를 기반으로 어떤 노드가 더 중요한지 확률적으로 평가하는 방식. 그래프에서 많은 엣지를 받는 노드가 더 중요하다는 가정을어오는 엣지의 수가 아니라 중요한 노드에게 링크 받았는가를 계산 추천시스템에서의 활용 user-item 그래프에서 중요 아이템 선별유저들이 많이 연결된 상품다른 인기 아이템과 잘 연결된 상품 주요 특징연결 기반 순위 결정엣지 수뿐 아니라, 중요한 노드와의 연결 고려텔레포트(d) 도입그래프에 고립된 노드 문제 방지반복 계산점수 수렴할 때까지 반복 (보통 20~50회)빠름학습 없이 단순 계산 → cold start에도 강.. 공감수 0 댓글수 0 2025. 4. 14.
패스트캠퍼스 환급챌린지 13일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 Chapter 01. 그래프 기반ch01-02. 그래프데이터의이해 그래프의 구성 요소 구성요소 설명 예시Node (정점)개체 (사람, 아이템 등)유저, 영화, 상품 등Edge (간선)개체 간 관계유저가 영화를 평가함, 친구 관계 등속성 (Feature)노드 또는 엣지에 부여된 부가정보유저 나이, 아이템 카테고리 등가중치 (Weight)관계의 강도나 중요도좋아요 수, 시청 시간 등 그래프 데이터.. 공감수 0 댓글수 0 2025. 4. 13.
패스트캠퍼스 환급챌린지 12일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기 본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.https://abit.ly/lisbva 공부 시작강의 종료강의장학습 인증샷학습후기 ch03-17. Transformer 등장 배경RNN / LSTM : 긴 문장을 기억하지 못함CNN : 국소적인 관계는 잘 학습하지만 문맥을 학습하지 못함-> Transformer는 모든 단어를 병렬로 동시에 보고 각 단어가 다른 단어들과의 관계를 스스로 학습할 수 있게 함. 핵심 구조[입력 문장] → [인코더 블록] → (중간 표현) → [디코더 블록] → [출력 문장] Encoder입력받은 문장을 문맥 정보가 담긴 벡터로 변환 Decoder인코더의 출력과 현재까지 생성한 단어를 바탕으로 다음 단어 예측번역 요약 생성등에 사용됨 입력 처리 과정[토큰].. 공감수 1 댓글수 0 2025. 4. 12.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.