2017 파이썬으로 배우는 추천시스템 Workshop

1. 실습 환경 구축

1.1 Python 실습 환경 설치

• Python 설치
• PIP 설치
• pandas 설치

  pip install pandas

• scipy 설치

  pip install scipy

• scikit-learn 설치

  pip install -U scikit-learn

1.2 Jupyter Notebook 설치

• http://jupyter.org/install.html

1.3 실습 데이터 다운로드

• Movielens ml-latest-small.zip
• Movielens ml-latest-small-fastcampus.zip

1.4 성능 평가 실습

Movielens 평점 데이터를 기반으로 MAE와 RMSE를 계산하는 실습을 수행합니다. 평점 데이터를 9:1로 학습, 검증 데이터로 나눕니다. 학습 데이터를 이용해서 아래의 세가지 방법을 이용해서 사용자의 영화에 대한 평점을 예측 합니다.

• 전체 영화의 평균 평점
• 각 사용자의 영화에 대한 평균 평점
• 각 영화의 평균 평점

세 가지 방법의 MAE와 RMSE를 계산하고 비교하여 봅니다.

2. Exploiting Explicit Feedback - 평점 예측을 이용한 영화 추천

PostgreSQL 설치 및 설정

• https://www.postgresql.org/download/
• Create DB: fcrec
• Create User: fcuser//fcuser123

2.1 Math Background

• Vector and Matrix 표현
• 유사도 함수
  • TF-IDF
  • Cosine Similarity
  • Pearson Correlation
• exercise-2.1.ipynb

2.2 User Profile based CBF 알고리즘을 이용한 영화 로직 구현

• 아이템 메타데이터를 이용해서 아이템간 유사도를 계산
• 사용자 프로파일을 사용자 평점을 부여한 아이템 목록으로 표현
• 아이템 목록에 있는 아이템과 유사한 다른 아이템들을 추천 아이템으로 생성
• exercise-2.2.ipynb

2.3 Regression Model을 이용한 평점 예측 기반 영화 추천 로직 구현

• 회귀 모델 (regression model)을 이용하여 사용자 프로파일 생성
• 회귀 모델 프로파일을 이용하여 아이템 평점 예측
• exercise-2.3.ipynb

2.4 Item-based CF 알고리즘을 이용한 영화 추천 로직 구현

• 평점 분포를 이용한 아이템간 유사도 계산
• 사용자 프로파일을 사용자 평점을 부여한 아이템 목록으로 표현
• 아이템 목록에 있는 아이템과 유사한 다른 아이템들을 추천 아이템으로 생성