하이퍼커넥트 AI, 추천 모델링 비법 공개!
by DD
1년 전
조회수 14
협업 필터링 기반의 행렬 분해를 통해 사용자 선호도 예측
경사 하강법 기반의 SGD를 활용하여 모델 학습 및 성능 개선
NCF, AutoRec 등 딥러닝 모델과 보조 정보를 결합하여 추천 정확도 향상
행렬 분해: 협업 필터링의 핵심
행렬 분해는 로우랭크 행렬 완성 문제를 해결하는 효과적인 방법이다. 구체적으로, 관측된 선호도 행렬을 U, I 행렬로 분해하여 미지의 값을 예측한다. 따라서, 교대 최소화 또는 경사 하강법을 통해 모델 학습을 수행한다.
경사 하강법과 SGD의 장점
경사 하강법은 PyTorch, Tensorflow와 같은 라이브러리를 활용하여 GPU 연산을 효율적으로 수행한다. SGD는 대용량 데이터 처리에 용이하며, 가중치 감쇠를 통해 과적합을 방지한다. 따라서, 모델 성능 향상과 학습 속도 개선을 동시에 달성한다.
추천 모델링의 추상화와 확장
하이퍼커넥트는 모델 추상화를 통해 다양한 모델을 통합하고, 유저 ID, 아이템 ID, 히스토리, 보조 정보를 활용한다. NCF, AutoRec과 같은 딥러닝 모델을 활용하여 표현력을 높이고, GNN의 아이디어를 반영하여 추천 정확도를 향상시킨다.
