추천 시스템 머신 러닝 구축을 위한 간단한 가이드 [2022]

오늘날 대부분의 인터넷 비즈니스는 개인화된 사용자 경험을 제공하는 경향이 있습니다. 머신 러닝의 추천 시스템 은 사용자가 관심을 가질 만한 콘텐츠에 대한 개인화된 추천을 제공하는 특정 유형의 개인화된 웹 기반 애플리케이션입니다. 추천 시스템은 추천 시스템이라고도 합니다.

추천 시스템이란?

머신 러닝 의 추천 시스템 은 사용자에게 필요한 여러 가지 요구 사항을 예측하고 필요할 수 있는 상위 항목을 추천할 수 있습니다.

추천 시스템은 기업에 적용되는 기계 학습 기술의 가장 광범위한 응용 프로그램 중 하나입니다.

소매, 주문형 비디오 또는 음악 스트리밍에서 대규모 추천 시스템을 찾을 수 있습니다.

추천 시스템은 개인이 비슷한 취향을 가진 다른 사람을 발견하려고 시도하고 나중에 새로운 항목을 추천하도록 요청하는 고유한 데이터 공개 모델의 일부를 로봇화하려고 시도합니다.

세계 최고의 대학(석사, 대학원 대학원 과정, ML 및 AI 고급 인증 프로그램) 의 기계 학습 과정 에 온라인으로 참여 하여 경력을 빠르게 추적하십시오.

추천제도의 종류

1. 개인화 - 관심을 기반으로 한 추천.
2. 개인화되지 않음 - 다른 고객이 지금 보고 있는 것입니다.

추천 시스템이 필요한 이유는 무엇입니까?

머신 러닝에서 추천 시스템이 필요한 주요 이유 중 하나는 인터넷으로 인해 사람들이 구매할 수 있는 옵션이 너무 많기 때문입니다.

과거에 사람들은 물건의 가용성이 제한된 실제 상점에서 쇼핑했습니다.

예를 들어, 비디오 대여점에 배치되는 영화의 수는 상점의 크기에 따라 다릅니다. 웹을 통해 사람들은 많은 온라인 리소스에 액세스할 수 있습니다. 넷플릭스에는 많은 영화들이 있습니다. 사용 가능한 정보의 양이 증가함에 따라 새로운 문제가 발생했고 사람들은 다양한 옵션 중에서 선택하기가 어려웠습니다. 따라서 추천 시스템이 사용되었습니다.

추천 시스템은 어디에 사용됩니까?

• 대형 전자 상거래 사이트에서는 이 도구를 사용하여 소비자가 구매하고 싶어하는 항목을 제안합니다.
• 웹 개인화.

추천 시스템은 어떻게 작동합니까?

• 우리는 다른 클라이언트들 사이에서 일반적으로 인기 있는 것을 클라이언트에게 제안할 수 있습니다.
• 우리는 고객을 제품 선택에 따라 여러 그룹으로 나누고 구매할 수 있는 것을 제안할 수 있습니다.

위의 두 기술 모두 단점이 있습니다. 첫 번째 경우, 가장 인기 있는 주류는 모든 클라이언트에 대해 동일할 것입니다. 따라서 모든 사람이 비슷한 제안을 받을 것입니다. 두 번째 경우에는 클라이언트 수가 증가함에 따라 제안으로 강조되는 항목의 수도 증가합니다. 따라서 모든 클라이언트를 다른 섹션으로 그룹화하기 어려울 것입니다.

이제 추천 시스템이 어떻게 작동하는지 살펴보겠습니다.

데이터 수집

추천 시스템을 만드는 가장 중요한 첫 번째 단계입니다. 정보는 명시적 및 암시적의 두 가지 방법으로 수집되는 경우가 많습니다.

명시적 정보는 의도적으로 제공된 데이터, 즉 영화 리뷰와 같이 클라이언트가 기여한 데이터입니다. 암시적 정보는 의도적으로 제공되지 않았지만 액세스 가능한 정보 스트림(예: 클릭, 검색 기록, 요청 기록 등)에서 수집된 데이터입니다.

데이터 저장소

정보의 양은 모델 제안의 정직성을 나타냅니다. 정보 유형은 많은 인구에서 데이터를 선택하는 데 중요한 역할을 합니다. 용량은 표준 SQL 및 NoSQL 정보 기반 또는 물품 비축 형태로 구성될 수 있습니다.

데이터 여과

수집 및 저장 후 이 데이터를 필터링하여 최종 권장 사항을 만들기 위한 정보를 추출해야 합니다. 다양한 알고리즘은 필터링 프로세스를 더 쉽게 만듭니다.

추천 시스템을 위한 알고리즘

소프트웨어 시스템은 항목/사용자의 과거 반복 및 속성을 활용하여 사용자에게 제안을 제공합니다.

추천 시스템을 구축하는 방법에는 두 가지가 있습니다.

1. 콘텐츠 기반 추천

• 항목/사용자의 속성을 사용합니다.
• 사용자가 과거에 좋아했던 것과 유사한 아이템을 추천

2. 협업 필터링

• 유사한 사용자가 좋아하는 아이템 추천
• 다양한 콘텐츠 탐색 가능

콘텐츠 기반 추천

지도 머신 러닝은 분류자가 흥미로운 사용자 항목과 흥미롭지 않은 사용자 항목을 구별하도록 유도합니다.

추천 시스템의 목적은 사용자의 평가되지 않은 항목에 대한 점수를 예측하는 것입니다. 콘텐츠 필터링의 기본 생각은 모든 것이 몇 가지 하이라이트 x를 갖는다는 것입니다.

예를 들어, 영화 "결국 사랑"은 로맨스 영화이며 하이라이트 x1은 높은 점수를 받았지만 x2는 낮은 점수를 받았습니다.

( 영화 등급 데이터 )

원천

모든 개인은 로맨스 영화를 얼마나 사랑하는지, 액션 영화를 얼마나 사랑하는지를 나타내는 매개변수 θ를 가지고 있습니다.

θ = [1, 0.1]이면 로맨스 영화는 좋아하지만 액션 영화는 좋아하지 않습니다.

우리는 모든 개인에 대한 선형 회귀로 최적의 θ를 찾을 수 있습니다.

(표기법)

r(i,j): 사용자 j가 영화 i를 평가한 경우 1(그렇지 않은 경우 0)

y(i,j): 영화 i에 대한 사용자 j 등급(정의된 경우)

θ(j): 사용자 벡터 매개변수

x(i): 영화 i 특징 벡터

예상 등급 [유저 j, 영화 i]: (θ(j))ᵀx(i)

m(j): # 영화 수 사용자 j 비율

nᵤ: 사용자 수

n: 영화의 기능 #

읽기: 기계 학습 프로젝트 아이디어 및 주제

협업 필터링

콘텐츠 필터링의 단점은 모든 것에 대한 부가 데이터가 필요하다는 것입니다.

예를 들어, 로맨스와 액션과 같은 분류는 영화의 부가 데이터입니다. 영화를 보고 각 영화에 대한 부가 데이터를 추가하는 사람을 찾는 것은 비용이 많이 듭니다.

기본 가정

• 비슷한 관심사를 가진 사용자는 공통적인 선호도를 가지고 있습니다.
• 충분히 많은 수의 사용자 기본 설정을 사용할 수 있습니다.

주요 접근 방식

• 사용자 기반
• 아이템 기반

어떻게 영화의 모든 기능을 나열할 수 있습니까? 새로운 기능을 추가하고 싶다면? 모든 영화에 새로운 기능을 추가해야 합니까?

협업 필터링은 이 문제를 해결합니다.

( 영화의 특징을 예측함 ) 출처

머신 러닝에서 추천 시스템의 문제점 및 유지 관리

문제

• 결정적이지 않은 사용자 입력 구조
• 비판 연구에 참여할 사용자를 찾습니다.
• 약한 계산
• 좋지 않은 결과
• 열악한 정보
• 정보 부족
• 개인 정보 관리(영수증과 명확하게 협력할 수 없음)

유지

• 값비싼
• 정보가 쓸모 없게 됨
• 정보 품질(대량, 원형 공간 개발)

기계 학습의 추천 시스템은 정보 검색, 텍스트 분류 및 기계 학습, 데이터 마이닝 및 지식 기반 시스템과 같은 다양한 섹션의 다양한 방법 적용과 같은 다양한 연구 영역에 뿌리를 두고 있습니다.

추천 시스템의 미래

• 추출은 가져온 물건의 검토를 통해 부정적인 평가를 이해했습니다.
• 제안에 지역을 통합하는 방법.
• 추천 시스템은 나중에 항목에 대한 관심을 예측하는 데 활용되어 매장 네트워크에 대한 사전 통신을 강화합니다.

upGrad를 사용하여 기계 학습에서 경력을 업그레이드하십시오

머신 러닝에 대해 자세히 알아보려면 IIIT-B & upGrad의 기계 학습 및 AI 경영자 PG 프로그램을 확인하세요. 이 프로그램은 일하는 전문가를 위해 설계되었으며 450시간 이상의 엄격한 교육, 30개 이상의 사례 연구 및 과제, IIIT를 제공합니다. -B 동문 자격, 5개 이상의 실용적인 실습 캡스톤 프로젝트 및 최고의 기업과의 취업 지원.