반응형 Computer Science92 [Model-basedCollaborative Filtering 2] 2 암시적 피드백 통합암시적 피드백을 도출하는 방법?• 명시적 피드백의 경우 암시적 피드백을 도출할 수 있습니다.• 암시적 피드백은 실제 등급 값에 관계없이 등급 항목의 ID에 의해 캡처됩니다.• 두 개의 서로 다른 항목 요인 행렬을 사용하면 어떻게 됩니까?• 명시적이고 암묵적인 항목 요소가 있습니다.• 사용자 요인은 암시적 항목 요인의 선형 조합으로 도출됩니다.암시적 피드백 매트릭스 구축• 암시적 피드백 행렬은 이진 행렬에 의해 정의됩니다.• 등급이 관찰되면 1이고, 그렇지 않으면 0입니다.• 그런 다음 각 행의 L2-norm이 1이 되도록 정규화합니다.• 행렬 F의 각 0이 아닌 항목은 1/ | ℐ-|이며, 여기서 ℐ-은 사용자 u에 의해 평가된 항목의 집합입니다.명시적 피드백 표현• U는 암시적 행렬 .. 2024. 6. 18. [Model-basedCollaborative Filtering 2] 1 기본 잠재 요인 모형차원 축소• 고차원 공간에서 데이터가 주어지면 데이터를 저차원 부분 공간에 투영합니다.• 부분 공간의 축을 효과적으로 표현하는 방법은 무엇입니까?⇒ 데이터의 중요한 기능을 보존하는 데 필수적입니다.차원 축소가 필요한 이유는 무엇입니까?• 주요 관찰 사항: 등급 행렬에서 행과 열의 상당 부분은 상관 관계가 높습니다.• 등급 매트릭스에는 중복되는 행과 열이 있습니다.• 완전히 지정된 낮은 순위 근사치는 원래 행렬의 항목의 작은 부분 집합으로 결정할 수 있습니다.• 차원 축소는 축을 회전하여 중복 쌍별 상관 관계를 제거하는 데 사용됩니다.• 축은 사용자 및 항목에 대한 잠재 요인을 나타냅니다.기하학적 보기: 잠재 요인 모형• 세 영화의 평점은 상관관계가 높습니다.⇒ 1차원 라인을 따라 배열.. 2024. 6. 18. [Model-based Collaborative Filtering] 2 확률론적 모델소개: 확률론적 모델• 확률 이론을 사용하여 사용자 등급을 예측합니다.• 베이즈 분류 모델을 사용할 수 있습니다.• 분류 문제의 경우 미리 정의된 여러 범주 중 하나에 항목을 할당하는 작업입니다.• 대상 사용자가 주어지면 가장 가능성이 높은 등급 값을 계산하는 문제를 해결합니다.베이지안 분류• 통계분류기• 확률적 예측을 수행합니다. 즉, 클래스 멤버 자격 확률을 예측합니다.• 베이즈 정리에 기반을 두고 있습니다.• nave ï Bayes 분류기가 일반적으로 사용됩니다.요약: 베이즈 정리• D를 샘플 및 관련 클래스의 교육 집합이라고 가정합니다.• 각 표본은 d차원 벡터 x = (x1, x2, …, xd)로 표시됩니다 • m개의 클래스 c1, c2, …, cm가 있다고 가정합니다.• 최대 후방.. 2024. 6. 18. [Model-based Collaborative Filtering] 1 모델 기반 방법 기본 사항모델 기반 방법이 있는 이유는 무엇입니까?• CF는 기존의 분류나 회귀 문제로 해석할 수 있습니다.• n - 1개의 열은 피쳐 변수이고 마지막 열은 레이블 변수인 m×n 행렬이 있습니다.• 모델 기반 방법은 지도 또는 비지도 방법을 사용하여 등급 매트릭스에서 생성됩니다.• 훈련 단계는 예측 단계와 명확하게 구분됩니다.• 예제• 규칙 기반 방법, 베이즈 분류기, 회귀 모형• 잠재 요인 모형요약: 사용자 항목 등급 매트릭스• 사용자 항목 등급 매트릭스 R ∈ ℝ m×n이 제공됩니다.• R: 사용자-항목 등급 행렬(mxn 행렬) • 사용자별 누락된 항목의 등급을 예측합니다.분류 대 행렬 완성• 등급 매트릭스의 일부 항목이 누락될 수 있습니다.모델 기반 방법의 특성• 이웃 기반 방법은 .. 2024. 6. 18. 이전 1 2 3 4 5 6 ··· 23 다음 반응형