1 min read
...이다. 즉, 일부 사용자들에게는 A 로직을 보여주고 다른 일부 사용자들에게 B 로직을 보여주면서 더 반응이 좋은 로직이 무엇인지 비교하는 것이다. 주로 모델의 성능을 측정하기 위한 online evaluation 방법 중 하나로 사용된다. A.1) 유의할 점 A/B Test 는 동시에 추천 결과를 노출하는 것이 중요하다. 왜냐하면, 순간적인 유행의 변화, 새로운 콘텐츠의 등장, 요일이나 시...
Related online evaluation References
Must-read Papers on RS github.com/hongleizhang/RSPapers B) Top Tier Conferences and Journals WWW, WSDM, SIGIR, KDD, RecSyS, CIKM, TOIS, TKDE, NIPS, ICML, AAAI, IUI, UMAP C)...
Offline Evaluation 현실에 직접 적용하는 대신 정해진 데이터셋에서 성능 평가를 하는 것 일반적으로 사용자들이 관측하지 않은 콘텐츠에 대한 반응을 유추하여 평가하나, 실제 데이터를 사용하지 않았기 때문에 정확한 성능 비교가 어렵다.
Exposure Bias Exposure bias 는 사용자가 모든 item 을 본 것이 아니라, 노출된 item 에 대해서만 feedback 을 남긴다는 데서 생기는 bias 다.
Sequential Recommendation Unlike interactive recommendation methods that generate recommendations based on the user’s feedback via constant interactions, sequential...
Conversational Recommender System 대화형 추천 시스템: 사용자와 실제 대화를 통해 사용자의 성향을 파악하여 추천을 진행함 B) Related C) References.
Sequential Model 단점 새로운 아이템에 대해서는 추천을 제공할 수 없음 popularity bias 가 존재함 (NLP 문제에서 많이 나오는 단어에 대해 반복적으로 등장함) .
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.
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.
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.