추천 시스템

• 콘텐츠 기반 필터링 Content Based Filtering
• 협업 필터링 Collaborative Filtering
  • 최근접 이웃 기반 협업 필터링 Nearest neighbor collaborative filtering
  • 잠재 요인 협업 필터링 Latent factor collaborative filtering

좋아할 만한 = 통계적으로 유의미한 아이템

Chi-Squared (예상보다 많이 본) - Categorical
Cross-Entropy(KL-divergence) (분포가 많이 다른) - Continuous

$$ X^{2} = \sum^{k}_{i=1}\frac{(x_i - m_i)^2}{m_i} \\ x = 관측치\\ m = 예측치 $$

Categorical Variable

유저가 소비한 아이템의 예측치와 실제로 소비한 관측치의 차이를 이용

예상보다 많이 본 것이므로, 절대값보다는 상대적인 변화량에 주목

Co-occurrence 동시에 발생하는 이벤트에 주목하라

PMI (Pointwise Mutual Information)
$$ PMI(A, B) = \frac{P(A,B)}{P(A)P(B)} $$
함께 발생한 빈도와 함께 각 이벤트가 발생할 확률을 함께 고려한 정보량

유저의 문서 소비 패턴을 보고 추천

추천의 만족도

• Accuracy: 유저가 실제 소비한 아이템이 상위에 추천되는지
• Diversity: 다양한 주제/유형의 아이템이 잘 추천되는지
• Novelty: 새로 나온 최신의 아이템이 잘 추천되는지

Language & Tool 통합
데이터 분석 및 추천 모델링에 사용하는 언어와 도구를 실서비스 투입이 가능하도록 통합

• Airflow (schedular)
• Hive (data warehouse)
• Spark (big data processing engine)
• Hadoop YARN (distributed cluster resource manager)
• Slider (an application to deploy existing distributed applications on Yarn cluster)
• OpenTSDB/Grafana (a scalabe, distributed monitoring system)
• DOT (distributed incremental search engine)
• DDK/Cana (event-driven near-realtime serverless compute solution)
• C3 (PassS, Hadoop cluster)
• Cuve (PassS, HBase, Kafka)
• nBase-ARC (PaaS)

• https://yamalab.tistory.com/67