• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Recommendation system 소개 (1)
 

Recommendation system 소개 (1)

on

  • 905 views

 

Statistics

Views

Total Views
905
Views on SlideShare
905
Embed Views
0

Actions

Likes
0
Downloads
22
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Recommendation system 소개 (1) Recommendation system 소개 (1) Presentation Transcript

    • Recommendation System (1) bt22dr@gmail.com
    • 목차• 등장 배경• 추천 시스템 소개 및 종류• 유사도 계산
    • Brick-and-mortar• 시,공간의 제약이 존재 – 슈퍼마켓 – 교보문고 – 종이 신문• 전통적인 파레토 법칙을 따름• 적합한 방식 : 베스트셀러 추천
    • On-line• 시,공간의 제약이 없음(or 약함) – 멜론 – 아마존 – 온라인 뉴스 사이트• Long-tail 법칙을 따름• 적합한 방식 : 검색, 개인화 서비스
    • 추천 시스템• brick-and-mortar vs. on-line Off-line On-line 물리적 공간의 제약 물리적 공간 제약 없음 제한된 고객 수 고객 수의 제한 없음 Pareto(80/20) 법칙 Long tail 법칙 개인화 불가능 개인화 가능• 다양한 사용자들에 대해 구매할 확률이 높 은 아이템들을 찾아내는 것이 중요한 이슈
    • 추천 시스템• Recommender System – Content-based RS – Collaborative Filtering • Memory-based – User-based CF – Item-based CF • Model-based
    • 추천 시스템• Utility Matrix• Utility Matrix의 공백을 채우는 것이 추천 시 스템의 본질
    • Content-based RS• 가장 직관적인 방법 – 특정 속성을 선호하는 사람에게 비슷한 속성을 가진 아이템을 추천 구매 사용자 아이템 아이템 아이템 메타데이터 메타데이터 업데이트
    • 유사도
    • 유사도• Jaccard similarity coefficient• Cosine similarity• Pearson correlation coefficient• Euclidean distance similarity• Log-likelihood-based similarity• …
    • Q&A