A. Collaborative Filtering
1. 아이템기반에서는 세타를 x를 가지고 세타 값을 찾아 갔지만, 협업 필터링에서는 세타를 가지고 x를 찾아간다.
2. 즉 아이템 기반에서의 한계점을 극복하기 위해서, 하나의 아이템의 피쳐를 예측하기 위해, 여러 사람들의 세타값과 y값을 이용한다.
1. 위에서 보이는 식과 같이, 여러 사람들로 부터 하나의 컨텐츠에 대한 x를 구하는 방식이기에 협업인 것으로 보인다.
1. 일종의 닭과 달걀의 관계이다. 주어진 아이템의 피쳐 X로부터 세타를 예측하고, 세타로부터 X를 예측한다. 그리고 이것을 반복한다.
B. Collaborative Filtering Algorithm
1. x와 세타를 최소화 하는 방향으로 비용함수가 만들어지는데, 둘 모두 공통된 y값을 정답으로 하여 값을 찾아 나가는 것임으로, 둘 모두 각 유저가 각 컨텐츠를 소비했을 시에만 트레이닝 셋이 될 수 있다.
2. 그렇기 때문에 최종 비용함수는 마지막과 같이 되며, 각 세타와 x는 동시에 갱신된다.
1. 첫째로, x와 세타에 대해서는 모르고, 정답만을 알고 있는거기 때문에 신경망과 마찬가지로 값을 임의로 설정한다.
2. 그리고 위에서 보았던 비용함수의 경사하강법을 적용하여 x와 세타를 찾는다.
3. 그리고 만들어진 최적의 파라미터를 통해 평점을 예측한다.
'2019년 혁신성장 청년인재 집중양성(빅데이터) > [COURSERA] Machine Learning Stanford Uni' 카테고리의 다른 글
[week10] learning with large datasets (0) | 2019.11.14 |
---|---|
[week9] Low Rank Matrux Factorization (0) | 2019.11.08 |
[week9] Predicting Movie Rating (0) | 2019.11.07 |
[week9] Building an Anomaly Detection System (0) | 2019.11.07 |
[week9] Densitiy Estimation (0) | 2019.11.06 |