추천시스템 프로젝트(DACOS) (4) 썸네일형 리스트형 5주차 - 웹사이트 크롤링 및 데이터 전처리 프로젝트 정보 데이터 크롤링 목표 1수집해야 할 것: 가게별 태그+ 태그 수가게별 특성 파악용>> 완료 데이터 크롤링 목표 2가게별 인기순 상위 리뷰 20개사용자 ID / 예약유무, 대기시간, 방문목적, 누구와 함께 / 태그 전체1, 2번을 바탕으로 해당 가게의 성향 파악 기대>> 완료 데이터 크롤링 목표 3랜덤한 사용자 각 20명 선정 후 (총 80명) 해당 사용자들의 리뷰 20개 크롤링사용자 ID / 식당별 예약유무, 대기시간, 방문목적, 누구와 함께 / 태그 전체이를 기반으로 해당 사용자의 성향 파악 후 맞춤형 추천 가능할 것 기대>> 완료 전처리 작업 진행 상황 데이터 크롤링 목표1: 전처리 따로 필요 x 데이터크롤링 목표2- 대기시간은 연속형 변수로, 나머지는 각 태그의 존재 여부를 (Tru.. 3주차 - 주제 결정 및 데이터셋 선정 1~2주차 진행상황:Python을 이용한 개인화 추천시스템 (인프런) 강좌 수강 후 코드 리뷰 > 영화 리뷰 데이터셋 사용 > 해당 데이터셋을 기반으로 한 다양한 개인별 추천 전략 학습 [주제 결정 : 최신 도서 추천 시스템] [주제 결정 이유]- 추천시스템 모델을 구축하려면 필요한 특정 개인을 식별 가능한(고유 번호, ID 등) 기록을 모아둔 데이터가 인터넷 상에 많지 않음- 이전 도서 평가 데이터를 기반으로 최신 인기 있는 책을 타겟 삼아 추천을 하고자 함. [데이터셋 선정] 1) Book-Crossing: User review ratings (479. 94MB) 구성:사용자 정보( 거주지, 나이) + 책 관련 정보( ISBN, 제목, 저자, 출판연도, 출판사 ) + 사용자가 준.. 1주차 - 인프런 강의 수강(~섹션5) * 협업 필터링 추천 - 사용자 집단별 추천은 큰 개선 x- 어떤 아이템에 대해 비슷한 취향을 가진 사람들은 다른 아이템 또한 비슷한 취향을 가질 것이라 가정함 ex) user 1에게 추천을 해 주기 위해서는 각 사용자와의 유사성을 계산하고 해당 사용자가 좋아한 컨텐츠 추천 - user 4, user3 참고해 추천 * 유사도 지표 - CF에서 사용자간 유사도를 구하는 것이 핵심 1) 상관계수 1. 가장 이해하기 쉬운 유사도 2. -1 ~ 1 사이 값 2) 코사인 유사도1. 협업 필터링에서 가장 널리 쓰이는 유사도 2. 각 아이템 => 하나의 차원, 사용자의 평가값 => 좌표값 3. 두 사용자의 평가값 유사 => theta는 작아지고, 코사인 값은 커짐. 4. -.. 1주차 - 인프런 강의 수강(~섹션3) 1. 추천 시스템(Recommender System): 사용자의 과거 행동 데이터를 바탕으로 사용자에게 필요한 정보나 제품을 제시하는 시스템 추천 시스템의 여러 기술 • 협업 필터링(Collaborative Filtering) • 내용 기반 필터링(Content-Based Filtering) • 지식 기반 필터링(Knowledge-Based Filtering) • 딥러닝(Deep Learning) • 하이브리드 필터링(협업필터링 & 딥러닝)- 협업 필터링(Collaborative Filtering : CF) 구매 및 소비한 제품에 대한 소비자의 평가 패턴이 비슷한 집단 속에서 서로 접하지 않은 제품을 추천하는 기술- 내용 기반 필터링(Content-Based Filtering : CB) 제품의 내용을 .. 이전 1 다음
