논문 구현 링크
논문 개요
본 연구의 주제는 고객의 특성을 분석하고, 해당 특성에 부합하는 제품을 보다 다양하게 추천하는 것입니다.
핵심 내용은 대조 학습 방법론을 딥러닝 기반 추천 시스템에 적용하는 것입니다. 대조 학습 방법론은 컴퓨터 비전 및 자연어 처리 분야에서 널리 사용하는 방법으로서, 객체(예: 제품, 이미지, 문장 등) 간의 유사성을 학습하는 것이 주요 목적입니다.
대조 학습을 통해, 각 고객이 사용했던 제품과 특성(예: 가격, 색상, 카테고리 등)이 유사한 제품 중 아직 사용하지 않은 제품들을 추천할 수 있도록 합니다. 이에 따라, 고객에게 제품 추천에 대한 참신함 및 만족감을 주는 것을 목표로 합니다.
요약
•
연구 배경: 추천의 정확도를 조금 낮추더라도, 고객에게 다양하게 제품을 추천하는 것이 고객에
참신함을 선사할 수 있을 것이다.
•
연구 목적: 추천 시스템의 제품 추천 다양성 향상
•
핵심 사항
◦
본 연구의 프로세스는 크게 두 단계로 구성되며, 1단계부터 2단계로 순서대로 진행
▪
1단계 (대조 학습 단계): 대조 학습을 통해 각 고객이 사용(구매)했던 제품의 특성을 학습하는 단계
→ 고객이 사용한 제품(들)의 정보를 추출하기 위하여, 오토인코더 모델을 사용
→ 오토인코더의 파라미터는 대조 학습을 통해 갱신됨
→ 대조 학습은 유저가 이용했던 제품과 특성이 유사한 제품을 자주 추천할 수 있도록 유도하는 역할을 수행
→ 유저가 사용한 제품과 특성이 유사한 제품은 유사도가 높은 방향으로, 그 이외 제품과는 유사도가 낮은 방향으로 학습
▪
2단계 (추천 시스템 단계): 각 고객의 고유한 특성(예: 연령, 거주 지역 등) 및 제품 특성을 함께 고려하여 제품을 추천하는 단계
→ 평점 순으로 상위 K개의 제품을 추천하는 문제
사용 데이터
•
•
105,508명의 익명화 처리 된 유저 정보 및 5,850개의 제품에 대하여, 192,544건의 트랜잭션(transaction) 기록을 포함
성과
•
대조 학습 방법론을 적용하지 않은 추천 시스템에 비하여, 정확도(RMSE)는 3%가량 감소하였지만, 추천 다양성을 20.8% 향상시킨 것을 확인하였습니다.
포트폴리오
실험 플랫폼 → 링크
기술 스택
•
모델 구축: Tensorflow
•
코드 버전 관리: Git
•
실험 관리 및 로깅: Weights & Biases
썸네일 출처