[Coursera] Introduction to Recommender Systems W2

https://www.coursera.org/learn/recommender-systems/home/welcome

Introduction to Recommender Systems

by University of Minnesota

--------------------------------------------------------------

1Week : Introduction to Recommender Systems

2Week : Non-Personalized Recommenders

3Week : Content-Based Recommenders

4Week : User-User Collaborative Filtering

5Week : Evaluation

6Week : Item Based

7Week : Dimensionality Reduction

8Week : Advanced Topics

--------------------------------------------------------------

이번주 내용은 

==== Non-Personalized Recommenders ====

소셜 데이터 순위

레스토랑 순위

(수식은 이해가 안되고... 내용은 맞는지 모르겠지만...ㅋ)

개인 취향이 없는 제안 

예) 평점이 가장 높은 영화, 구매율이 가장 높은 제품 등으로 추천 

평균 어디에나 다 맞을 수 없다. 

제품 연관성 제안 

예) 아이스크림에 어울리는 소스를 제안하고 싶다. 이때에 평균만을 이용하면 가장 사람들이 많이 사    는 소스 캐찹을 제안 할 수는 없다. 

Dataset 

    프로파일 이용 

    구매 데이타 이용 

    사용자 정보와 시간 제약을 이용 

제품 연관성을 위한 수식 계산 ... 

(x를 산사람이 y도 사더라... x를 사지 않은 사람중에 y를 산사람 등등...)

(x와 y 를 동시에 사란 사람과 x 를 살 확률 y 를 살 확률)

선호도와 순위

사용자의 직접적인 평가 사용자의 행동을 관찰

- 직접적인 평가 항목

    평가 (별점, 좋아요...)

    리뷰

    투표

- 사용자의 행동 

    클릭

    구매

    팔로우

Prediction: 해당 아이템을 얼마나 좋아 하는지 측정

     장점: 아이템을 정량화 하기 좋음 

     단점: 외곡된 아이템을 제공할 수 있음

Recommendations: 좋아할만한 아이템 제안

     장점: 기본적으로 좋은 선택을 제공

     단점: 상위 몇개가 좋지 않으면 탐색에 실패 할 수 있음

데이터를 모으는 방법

순위를 매기는 방법

예측 : 선호도에 대한 합계 노출

추천 : 순위 아이템

점수로 순위를 매기면 안되는 경우

    너무 데이터가 적을때 

    점수의 폭이 너무 다양할 때

    비즈니스 적 고려사항 (옛날 아이템, 좋지 않은 아이템)