KM-Hana

*크롬으로 보시는 걸 추천드립니다* https://static.googleusercontent.com/media/research.google.com/ko//pubs/archive/45530.pdf 종합 : ⭐⭐⭐⭐ 1. 논문 중요도 : 5 점 2. 실용성 : 4 점 설명 : 추천 시스템에 적용된 딥러닝 모델을 보고자 한다면, 가장 우선적으로 봐야 하는 논문 중 하나 - Candidate Generation 모델과 Ranking 모델로 Two-Stage로 추천을 진행 - 유투브 추천 시스템에서 적용되는 모델을 조금이나마 느낄 수 있음 - Feature 엔지니어링의 중요성 - 클릭률(CTR) 예측이 아닌, 시청시간(watch time)을 목적으로 딥러닝 모델을 학습 ( * 개인적인 의견이며, 제 리뷰를 보시..

*크롬으로 보시는 걸 추천드립니다* https://arxiv.org/pdf/1707.07435.pdf 딥러닝을 적용한 추천 모델들을 전반적으로 소개하는 논문입니다. 본 논문은 개인적으로 다음과 같은 1. 딥러닝을 적용한 추천 모델들의 맥락을 잡아주는 논문 2. 2019년 이후부터 현재까지 얼마나 딥러닝을 적용한 추천 모델이 발전했는지 보는 재미가 있는 논문 의미가 있었습니다. 추천 시스템에서의 딥러닝 모델 추천 시스템이란? https://kmhana.tistory.com/30?category=882777 추천 시스템(Recommendation System) 시작 *크롬으로 보시는 걸 추천드립니다* 사람들이 "AI(인공지능)"하면 떠오르는 것이 무엇이 있을까요 얼굴인식이나 파파고와 같은 기계 번역기, 알파..

*크롬으로 보시는 걸 추천드립니다* 대표적 추천 시스템인 협업 필터링(Collaborative Filtering) 중 Memory-Based Approach에 대해서 다루어보았습니다 https://kmhana.tistory.com/31?category=882777 Have A Nice AI kmhana.tistory.com 지금 Part2 에서는 • 협업 필터링(Collaborative Filtiering)의 대표 접근법 Model-Based을 알아볼 예정입니다 - Matrix Factorization(행렬 분해) - Neural Network(신경망)의 간단한 소개 • 협업 필터링(Collaborative Filtiering)의 한계 • 그 밖의 방법론 소개 (* 언제든지 부족한 부분 알려주시면 반영하..

*크롬으로 보시는 걸 추천드립니다* 우리 일상생활에 녹아있는 "인공지능(AI)"에는 추천 시스템이 있다는 것을 소개해 드렸습니다 https://kmhana.tistory.com/30 Have A Nice AI kmhana.tistory.com 이제 부터는 조금 더 알고리즘 측면에서, 추천이 이루어지고 있는지 차근차근 뜯어 보겠습니다 가장 추천 알고리즘의 기본은 1) 협업 필터링(Collaborative Filtering) • Memory Based Approach - User-based Filtering - Item-based Filtering • Model Based Approach - 행렬 분해(Matrix Factorization) 2) 콘텐츠 필터링(Contents-Based Filtering) ..

*크롬으로 보시는 걸 추천드립니다* 사람들이 "AI(인공지능)"하면 떠오르는 것이 무엇이 있을까요 얼굴인식이나 파파고와 같은 기계 번역기, 알파고 같은 게 있을 겁니다 하지만, "AI(인공지능)"이 우리 일상생활에서 가장 잘 녹아있는 분야는 "추천(Recommendation)"일 것입니다 추천 시스템은 우리 주변에서 어떤 영화를 볼지(넷플릭스)나 어떤 동영상을 볼지(유튜브), 무엇을 살지(Amazon) 등을 추천해주고 있습니다! 이러한 추천 시스템은 우리의 패턴과 행동 파악하여, 무엇을 앞으로 더 좋아할지 예측합니다 https://medium.com/@springboard_ind/how-netflixs-recommendation-engine-works-bd1ee381bf81 How Netflix’s Re..