ML&DL/Recommender System46 [Recommender System] 추천 모델 평가 지표 (1) NDCG 논문 링크 (5776회 인용)추천 시스템에서 모델의 성능을 비교하기 위한 평가 지표에 대해 살펴보고자 한다. 첫번째로, 많이 쓰이는 지표 중 하나인 Normalized Discounted Cumulative Gain (NDCG)에 대해 알아보자. Cumulative Gain, Discounted CG, Normalized DCG의 순서로 살펴볼 예정이다.Preliminary추천 알고리즘의 성능은 어떤 기준으로 평가할 수 있을까? 유저에게 K개의 아이템을 추천하는 상황을 생각해보자. 유저가 좋아하는 아이템이 상위에 있을 수록 '좋은 추천'이라고 말할 수 있다. 그렇다면 '유저가 좋아하는' 아이템은 어떻게 정의할까? 추천 시스템에서는 유저와 아이템간의 'relevance'을 정의하고 이 relevance가 .. 2024. 9. 18. [Recommender System / Paper review] #37 Revisiting Negative Sampling vs. Non-sampling in Implicit Recommendation 논문 링크(29회 인용)개인적으로 추천시스템의 여러 모델을 리뷰하고 pytorch 또는 numpy로 구현하는 프로젝트를 진행하고 있다. (PR은 언제나 환영!)https://github.com/bohyunshin/recommender GitHub - bohyunshin/recommender: Implementation of various recommender algorithmImplementation of various recommender algorithm. Contribute to bohyunshin/recommender development by creating an account on GitHub.github.com 아직 초기 단계로, 추천 시스템의 가장 기본인 행렬 분해 (matrix facto.. 2024. 9. 14. [Recommender System / Paper Review] #36 Modeling Delayed Feedback in Display Advertising 논문 링크(199회 인용)Summarydisplay 광고에서 conversion은 click을 하고 오랜 시간 이후 발생하는 경우(delayed feedback)가 종종 있는데, 이는 training 데이터 수집 기간에 실제로 이후에 conversion이 발생했음에도 아직 관측되지 않아서 negative sample로 잘못 레이블링되는 문제가 있다.기존의 연구들은 데이터를 positie / unlabeled으로 구분했다. unlabeled가 실제로 이후에도 negative인지 확신할 수 없기 때문이다.그런데 이 연구들은 positive 데이터가 positive class에서 random하게 선택된다고 가정한다. 즉, positive 데이터가 관측되지 않을 확률이 constant하다는 것인데, 실제로는.. 2024. 5. 28. [Recommender System / Paper review] #35 Text Is All You Need: Learning Language Representations for Sequential Recommendation 논문 링크(7회 인용, 2023 KDD) Summary 본 논문에서는 language model을 sequential modeling에 사용함으로써 cold-start 문제를 해결하고 transfer-learning을 추천 시스템 분야에 도입하고자 Recformer을 제안한다. 기존의 sequential model과 달리 item-id을 임베딩 벡터로 만들지 않고 다른 네 종류의 임베딩 벡터를 사용한다: token embedding, token position embedding, token type embedding, item position embedding 이때, token embedding은 아이템에 대한 정보를 key,value로 묶어서 flatten한 vector로 사용하여 한 유저의 item .. 2023. 9. 23. [Recommender System / Paper review] #34 Reciprocal Sequential Recommendation 논문 링크(0회 인용, 2023 RecSys) Summary reciprocal recommender system (RRS)은 양방향의 선호를 고려하는 매칭 기법으로, 데이팅 앱이나 구인구직 사이트에서 쓰이는 알고리즘이다. 본 논문에서는 distinctive sequence matching task을 해결하기 위해 Reciprocal Sequential recommendation을 제안한다. 먼저 유저의 dual-perspective embeddings에 기반하여 bilateral behavior sequence을 transformer network을 통해 모델링한다. 다음으로 macro, micro 레벨에서 sequential interactions을 포착하기 위해 multi-scale matching.. 2023. 8. 30. [Recommender System / Paper review] #33 Progressive Layered Extraction (PLE): A Novel Multi-TaskLearning (MTL) Model for Personalized Recommendations 논문 링크(220회 인용, Awarded as 2020 Recsys Best paper) Summary multi-task learning(MTL)은 추천시스템 분야에서 성공적으로 적용됐지만 여러 task간에 복잡한 correlation을 가지는 경우에 negative transfer 현상이 발생하는 단점이 있다. negative transfer 현상이란, task a의 성능을 높이기 위해 task b의 성능을 희생해야하는 경우이다. 본 논문에서는 이러한 trade-off 현상을 seesaw 현상이라 칭하고 이를 해결하기 위한 방법으로 progressive layered extraction (PLE)을 제시한다. PLE란, shared components와 task-specific components을 .. 2023. 8. 30. 이전 1 2 3 4 5 ··· 8 다음
