추천 결과 다양성의 종류
- inter diversity: 유저 간 추천 결과가 다른것
- inner diversity: 추천 결과 내 아이템의 성격이 다른 것
- 연관 추천에서 강아지 영상을 한번 봤는데, 추천 결과가 모두 강아지와 관련된 영상이면 inner diversity 가 낮다고 할 수 있다.
1 min read
..., 통계적 검증을 통해 추천 결과의 하락 정도를 얼마나 유의미하게 검증할 수 있는지 metric 마다 확인. 3) Robustness to Incompleteness 대조군 Metrics Diversity and Novelty Metrics S-recall 앞에서 부터 K 개의 document 들이 얼마나 많은 subtopics 을 가지고 있는지 비율을 계산한다.
Challenge of RS 추천 시스템에서 발생할 수 있는 문제점들 nosiy data 일반적으로 historical 데이터는 모두 사용자의 성향을 반영한다고 가정하지만, 사용자는 자신이 선택한 아이템을 좋아하지 않을 수 있다.
Cross-domain Recommendation Merging user preferences: User preferences from both domains are aggregated in such a way that single-domain recommender systems can be used.
CB CB(Contents Based) 추천은 콘텐츠 자체의 내용을 분석하여 유사한 콘텐츠를 찾는 방법이다. 콘텐츠의 종류는 글, 사진, 음악 등 다양하므로, 다양한 데이터 도메인을 위해 각기 다른 여러 종류의 CB 기술이 필요하다. 2.
Conversational Recommender System 대화형 추천 시스템: 사용자와 실제 대화를 통해 사용자의 성향을 파악하여 추천을 진행함 B) Related C) References.
Exposure Bias Exposure bias 는 사용자가 모든 item 을 본 것이 아니라, 노출된 item 에 대해서만 feedback 을 남긴다는 데서 생기는 bias 다.
Explicit Feedback 사용자의 명시적 피드백을 의미: 좋아요, 싫어요, 공유하기 등 B) Related C) References.
Propensity 배경 To remedy the selection bias in evaluation, some recent work considers a recommendation as an intervention analogous to treating a patient with a specific drug.
Tags Matthew effect Average Recommendation Popularity Scaling Method Collaborative filtering via high-dimensional regression Related Papers Popularity Bias in Dynamic...
Federated Learning 데이터를 하나의 저장소로 모으지 않고 모델을 학습할 수 없을까? 데이터를 특정 서버에 모으지 않고 개인 디바이스에서 학습하는 방식으로, 데이터 이동 이슈를 해소하기 위한 방안으로 많이 연구되고 있다.
Matthew Effect 유명한 아이템은 더 많이 노출되어서 학습 데이터의 밸런스가 더욱 무너지는 현상.