Видео

이번에 정리한 내용은 2020년 발표된 LightGCN이라는 논문입니다. 간단하지만 정말 강력하게 동작하는 GNN 기반 추천 모델입니다. 이걸 기준으로 다른 논문도 많이 나온걸로 알고 있는데요, 다들 한번 보시면 좋을 것 같습니다.

사실 지난번 MF 모델의 연장선상에 있습니다. 임베딩을 위주로 구성이 되는데, MF와 MLP를 앙상블하는 구조를 보입니다. Neural Collaborative Filtering 모델을 직접 구현해보세용

이번에 정리한 내용은 2017년 발표된 Neural Collaborative Filtering이라는 논문입니다. 제가 처음으로 접했던 추천 모델이었습니다. 1년 전에 읽을 때는 처음엔 굉장히 어렵게 느껴졌는데, 정리해보니 핵심적인 내용을 나름 잘 볼 수 있는 눈이 생긴 것 같아 뿌듯하네요. 아무쪼록 모델로 지난번에 본 MF의 한계를 밝히고 뉴럴넷 구조를 활용해 비선형성을 추가한 유명한 논문 중 하나, NCF입니다.

유저, 아이템의 팩터를 파이토치의 임베딩으로 구성하고 이를 통해 Matrix Factorization Techniques for Recommender Systems의 기본적인 내용을 구현해보는 실습 코드입니다. 코랩 코드는 아래 링크에서 확인하실 수 있습니다. drive.google.com/file/d/1tP4rJMl9fTpKKpoJ9bN58qj3rpk2wSNU/view?usp=sharing

앞으로 추천 시스템 알고리즘 실험을 하며 사용할 데이터셋을 불러오고 저장해두는 코드입니다. 무비렌즈는 유저가 영화에 남긴 평점 데이터이며, 추천 시스템에서 활발히 사용되는 공개 데이터셋입니다. 코랩 코드는 아래 링크를 통해 확인하실 수 있습니다. drive.google.com/file/d/1sobDrbrLW3MIffeXlGalgymYN6X-b_xp/view?usp=sharing

대학원에서 추천 시스템을 연구하며 배운 내용을 정리하는 차원에서 기본적인 논문을 읽고 파이토치 실습까지 정리해보기로 했습니다. 이번에 정리한 내용은 2009년 발표된 Matrix Factorization Techniques for Recommender Systems이라는 논문입니다. 굉장히 오래된 고전같은 논문이지만 모델 기반 CF에서는 추천 시스템을 이해하는데 큰 도움이 되었던 논문입니다. 고전인 만큼 하나 하나 모든걸 보기보단 중요한 내용만을 정리해보았습니다.

인하대학교 KDD 연구실의 논문 리뷰입니다. Feature Staleness Aware Incremental Learning for CTR Prediction, IJCAI'23

인하대학교 KDD 연구실의 논문 리뷰입니다. Self supervised Graph Disentangled Networks for Review based Recommendation, IJCAI'23

인하대학교 KDD 연구실의 논문 리뷰입니다. Collaborative-Aware Graph Convolutional Network for Recommender System, WWW'23

인하대학교 KDD 연구실의 논문 리뷰입니다.

인공지능 대학원 1차 학기 끝나고 든 생각을 기록해보았습니다.

15. 코드로 배우는 드롭아웃의 효과

14. 오버피팅을 막기 위한 노력.. 드롭아웃

13. CNN Fashion mnist의 포포몬스를 알아본다

12. CNN의 구성 요소를 알아본다

11. 이미지 분류를 하려면 CNN이 필요한 이유

10. [미니 프로젝트] Fashion MNIST Classification

9. Backpropagation 알고리즘을 알아보자

8. MLP, Loss, Optimizer, Epoch, batch..

7. 소프트맥스 실습 영상입니다.

6. 엠씨더맥스 회귀

5. 로지스틱 분류 작업 실습을 해봅니다.

4. 이름은 회귀인데요, 분류 작업을 하는 알고리즘입니다.

3. 코드로 쳐야 진짜 아는듯한 느낌 뭔줄알지?

2. 귀찮아도 알아야하는 개념들이 선형회귀, 경사하강 등입니다.

1. 대충보는 딥러닝입니다.

딥러닝 얼굴 감정 분석 프로젝트

[판다스 기초] 8. 데이터프레임을 합칠 때 쓰는 Concat

[판다스 기초] 2. 데이터프레임 생성