이전글에 이어서 AWS Personalize로 추천 시스템을 만들어보자. 3. 레시피를 선택하여 솔루션 생성 AWS Personalize에는 여러 가지 알고리즘이 미리 정의되어 있기 때문에, 필요에 맞게 적절한 알고리즘을 선택하면 된다. 이것을 레시피라고 부르며, 해당 레시피와 데이터를 이용하여 학습된 모델 결과물이 솔루션이다. AWS에서 제공하는 레시피는 다음과 같다.(글 작성일 기준), 공식문서에서 지원되는 레시피를 확인할 수 있다.(링크) USER_PERSONALIZATION 레시피 사용자가 상호 작용할 항목을 예측합니다. User-Personalization : 모든 맞춤형 추천 시나리오에 최적화되어 있습니다. 상호작용, 항목 및 사용자 데이터세트를 기반으로 사용자가 상호작용할 항목을 예측한다. ..

AWS Personalize 란? Personalize는 일반 추천 및 개인화된 추천을 위한 AWS에서 제공하는 AI/ML 서비스이다. AWS 하면 EC2나 S3정도만 아는 사람이 많은데 막상 보면 없는 서비스가 없다. Personalize를 이용하면 ML에 대한 깊은 지식 없이도 1시간 이면 상품 추천에 대한 모델을 만들 수 있다. Personalize 특징 1. 효율적인 cold start 문제 해결 Personalize를 이용한 상품 추천에서 Item exploration weight를 조절하여 새로운 아이템(interaction이 없는)에 대해 상품 추천이 될 수 있도록 하는 기능을 제공합니다. 기본 값은 0.3이며 이 말은 추천 상품의 30%는 items.csv에서, 70%는 interactio..

컨텐츠 기반 필터링 실습 TMDB 5000 영화 데이터 셋을 이용하여 컨텐츠 기반 필터링 실습을 해보자. 장르 속성을 이용한 콘텐츠 기반 필터링 콘텐츠 기반 필터링은 사용자가 특정 제품을 구매하고 그 제품이 마음에 들었다면 그 제품과 비슷한 특성/속성 , 구성 요소를 가진 다른 제품을 추천 하는 것이다. 제품(또는 서비스) 간의 유사성을 판단하는 기준이 제품을 구성하는 다양한 콘텐츠를 기반으로 하는 방식이 바로 콘텐츠 기반 필터링이다. 콘텐츠 기반 필터링 추천 시스템을 영화를 선택하는 데 중요한 요소인 영화 장르 속성을 기반으로 만들어 보자. 장르 칼럼 유사도를 비교한뒤 그중 높은 평점을 가지는 영화를 추천 하는 방식이다. 데이터 로딩 및 가공 장르 속성을 이용해 콘텐츠 기반 필터링을 수행하자. 먼저 데..

확률적 경사하강법을 이용한 행렬 분해 확률적 경사 하강법은 회귀에서 사용한 경사 하강법의 한 종류이다. 확률적 경사 하강법을 이용한 행렬 분해 방법을 요약하자면 ,P와 Q 행렬로 계산된 예측 R행렬 값이 실제 R 행렬 값과 가장 최소의 오류를 가질 수 있도록 반복적인 비용 함수 최적화를 통해 P와 Q를 유추해내는 것 이다. 확률적 경사 하강법을 이용한 행렬 분해의 전반적인 절차는 다음과 같다. P와 Q를 임의의 값을 가진 행렬로 설정 P와 Q.T 값을 곱해 예측 R 행렬을 계산하고 예측 R행렬과 실제 R 행렬에 해당하는 오류 값을 계산. 이 오류 값을 최소화 할 수 있도록 P와 Q 행렬을 적절한 값으로 각각 업데이트 만족할만한 오류 값을 가질 때 까지 2,3번 작업을 반복하면서 P와 Q 값을 업데이트해 ..

추천시스템이란 아마존, 이베이 등 유수의 전자상거래 업체가 추천 시스템 도입 후 큰 매출 향상을 경험했다. 하나의 콘텐츠를 선택했을 때 선택된 콘텐츠와 연관된 추천 콘텐츠가 얼마나 사용자의 관심을 끌고 개인에게 맞춘 콘텐츠를 추천했는지는 그 사이트의 평판을 좌우하는 매우 중요한 요소이다. 추천시스템의 진정한 묘미는 사용자 자신도 좋아하는지 몰랐던 취향을 시스템이 발견하고 그에 맞는 콘텐츠를 추천해주는 것이다. 이러한 추천 시스템을 접한 사용자는 해당 사이트를 더 강하게신뢰하게 되어 더 많은 추천 콘텐츠를 선택하게 된다. 결국 더많은 데이터가 추천 시스템에 축척되면서 추천이 더욱 정확해지고 다양한 결과를 얻을 수 있는 좋은 선순환 시스템을 구축 할 수 있게 된다. 추천시스템은 특히 온라인에서 그 진가를 발..