TensorFlow란?
Super Summary한 TensorFlow와 서비스 추천에 관한 간략한 메모. TensorFlow에 대해서는 지속적으로 업데이트 할 예정.
TensorFlow란?
- Google에서 개발 한 딥러닝과 머신러닝을 위한 오픈 소스 라이브러리
- 노드 & 엣지 로 구성된 그래프 기반의 계산 수행 프레임워크로, 복잡한 수치 연산과 신경망 구조를 효율적으로 처리 가능
- Python API를 통해 다양한 수학 함수, 활성화 함수를 제공한다. 이를 이용해 사용자는 쉽게 딥러닝 모델을 구축하고 학습할 수 있다.
- 고 수준의 인터페이스인 Keras가 TensorFlow 2.0부터 공식적으로 지원되면서 더 쉽고 가볍게 딥러닝 설계가 가능해졌다. 더 직관적이고 구축과정을 간소화 하여 여러 실험과 연구에 효율적으로 사용가능하다.
TensorFlow는 TensorFlow Recommanders, TFRS(TensorFlow Recommenters System), TensorFlow Extended(TFX)등을 제공하여 서비스 추천 시스템을 설계할 수 있다.
사용자-아이템 행렬 분해(Matrix Factorization)를 기반으로 한 현업 필터링(Collaborative Filtering)
문제점으로는 데이터 희소성, Cold Start와 같은 점이 있는데, Content-based features나 Hybrid model을 사용해 cold start에 대한 문제점을 보완 할 수 있고, 아이탬이나 사용자의 메타정보와 외부데이터의 연결점을 사용해 데이터 희소성을 보완할 수 있다.
- 제공되는 Library 외 개별 딥러닝 설계도 역시나 가능하다. 사용가능한 오픈 소스 라이브러리로 TensorFlow와 PyTorch를 이야기 할 수 있다.
PyTorch : Facebook에서 개발한 Python 기반 동적 계산 그래프을 사용하는 프레임워크. 직관적이고 간결한 코드를 사용, 모델 구축에 자유도가 높고 특히 디버깅에 있어 사용친화적인 환경을 제공.
GPT 답변 복붙 / 정리해야함
TensorFlow Recommenders (TFRS)는 TensorFlow 기반의 라이브러리로, 협업 필터링(Collaborative Filtering) 기반의 추천 시스템을 구축하기 위해 설계되었습니다. TFRS는 TensorFlow에서 제공하는 기능과 모델을 활용하여 사용자-아이템 상호작용 데이터를 분석하고, 사용자와 아이템 간의 관계를 학습하여 추천을 수행하는데 사용됩니다.
TFRS는 사용자-아이템 행렬 분해(Matrix Factorization)와 같은 협업 필터링 알고리즘을 기반으로하여 추천 모델을 구축할 수 있습니다. 이를 통해 사용자의 취향과 유사한 다른 사용자나 아이템을 찾아서 추천하는 기능을 제공합니다. 또한, TFRS는 TensorFlow의 다양한 기능과 유연성을 활용하여 추천 시스템의 성능을 개선할 수 있는 다양한 방법과 기술을 제공합니다.
따라서, TFRS는 Collaborative Filtering을 활용하여 추천 시스템을 구축하기 위한 TensorFlow의 라이브러리로 사용됩니다.
TFRS는 cold start와 데이터 희소성과 같은 일반적인 추천 시스템의 문제를 해결하기 위해 다양한 방법을 제공합니다. 여기에는 아래와 같은 접근 방식이 포함됩니다:
- Content-based features: TFRS는 사용자와 아이템의 추가적인 정보를 활용하여 추천을 개선할 수 있습니다. 예를 들어, 사용자의 프로필 정보나 아이템의 속성을 특성으로 추가하여 추천 모델에 포함시킬 수 있습니다. 이를 통해 cold start 문제를 완화하고, 적은 상호작용 데이터만으로도 좋은 추천을 할 수 있습니다.
- Hybrid models: TFRS는 Collaborative Filtering과 Content-based Filtering을 결합한 하이브리드 추천 모델을 구축할 수 있습니다. 이러한 접근 방식은 Collaborative Filtering과 Content-based Filtering의 장점을 상호 보완하여 추천의 정확도와 다양성을 향상시킬 수 있습니다.
- 모델 복잡성 조절: TFRS는 모델의 복잡성을 조절할 수 있는 다양한 기능을 제공합니다. 예를 들어, 모델의 잠재 요인의 차원 수를 조정하거나, 정규화 기법을 적용하여 과적합을 방지할 수 있습니다. 이를 통해 데이터 희소성 문제에 대응할 수 있습니다.
- 데이터 보강: 데이터의 희소성 문제를 완화하기 위해 TFRS는 보조 데이터를 활용하는 기능을 제공합니다. 예를 들어, 아이템의 메타 데이터나 외부 데이터를 활용하여 모델을 보강할 수 있습니다. 이를 통해 추천 시스템의 성능을 개선할 수 있습니다.
TFRS는 이러한 다양한 기능을 제공하여 cold start와 데이터 희소성과 같은 일반적인 문제를 해결하고, 추천 시스템의 성능을 향상시킬 수 있습니다. 하지만, 문제의 복잡성과 데이터의 특성에 따라 적절한 방법을 선택하고 조정하는 것이 중요합니다.
데이터 희소성은 추천 시스템에서 자주 언급되는 개념 중 하나입니다. 데이터 희소성은 사용자와 아이템 간의 상호작용 데이터가 제한적인 경우를 나타냅니다. 다시 말해, 많은 사용자와 많은 아이템 중에서 실제로 상호작용이 발생한 데이터는 매우 제한적인 경우를 의미합니다.
추천 시스템은 사용자의 취향을 이해하고 사용자에게 관련된 아이템을 추천하기 위해 상호작용 데이터를 분석합니다. 그러나 현실적으로 모든 사용자와 아이템 간의 모든 상호작용 데이터를 수집하는 것은 어렵습니다. 대부분의 추천 시스템에서는 사용자가 일부 아이템과만 상호작용하는 경우가 많고, 일부 아이템은 사용자들 사이에서 인기가 매우 높아 다른 아이템들보다 더 많은 상호작용을 받는 경우가 있습니다.
이러한 데이터 희소성은 추천 시스템에 여러 가지 도전과 고려사항을 야기합니다. 일반적으로 데이터 희소성이 높을수록 추천 시스템의 성능이 저하될 수 있습니다. 이는 사용자나 아이템 간의 유사성을 파악하거나 정확한 예측을 수행하는 데 어려움을 초래할 수 있습니다. 따라서 데이터 희소성을 해결하기 위해 다양한 방법과 기술을 적용하여 추천 시스템의 성능을 향상시키려는 연구와 개발이 진행되고 있습니다.
“Cold start”는 추천 시스템에서 자주 언급되는 문제로, 새로운 사용자나 새로운 아이템이 시스템에 진입할 때 발생하는 문제를 가리킵니다. Cold start 문제는 다음과 같은 상황에서 발생할 수 있습니다:
- 새로운 사용자(Cold Start User): 시스템에 새로 가입한 사용자는 이전의 상호작용 데이터가 없으므로, 사용자의 취향이나 관심사를 파악하기 어렵습니다. 이로 인해 사용자에게 맞춤화된 추천을 제공하기 어려워집니다.
- 새로운 아이템(Cold Start Item): 시스템에 새로 추가된 아이템은 이전에 사용자들과의 상호작용이 없으므로, 아이템에 대한 정보가 제한적입니다. 이로 인해 새로운 아이템의 특성을 파악하고 해당 아이템을 추천하는 것이 어렵습니다.
Cold start 문제는 추천 시스템의 성능을 저하시킬 수 있습니다. 기존의 상호작용 데이터가 부족하거나 없는 상황에서는 사용자와 아이템 간의 관계를 파악하고 추천을 수행하기 어렵기 때문입니다.
Cold start 문제를 해결하기 위해 다양한 방법과 전략을 사용합니다. 몇 가지 일반적인 접근 방식은 다음과 같습니다:
- 콘텐츠 기반 추천(Content-based Recommendation): 아이템의 콘텐츠 정보를 활용하여 아이템 간의 유사성을 파악하고, 사용자의 프로필 정보와 매칭하여 추천합니다. 이를 통해 아이템의 콘텐츠 특성을 기반으로 추천을 수행할 수 있습니다.
- 협업 필터링(Collaborative Filtering): 다른 사용자들의 상호작용 데이터를 기반으로 유사한 사용자나 아이템을 찾아 추천합니다. 새로운 사용자의 경우, 비슷한 취향을 가진 다른 사용자의 상호작용을 기반으로 추천을 시작할 수 있습니다.
- 하이브리드 추천(Hybrid Recommendation): 콘텐츠 기반 추천과 협업 필터링을 결합한 방법으로, 두 가지 접근 방식의 장점을 상호 보완하여 추천을 수행합니다.
또한, Cold start 문제를 해결하기 위해 초기 상호작용을 유도하는 방법을 사용하기도 합니다. 예를 들어, 사용자의 초기 프로필 작성을 유도하거나, 아이템에 대한 초기 평가나 리뷰를 유도하여 상호작용 데이터를 확보하는 방법을 적용할 수 있습니다.
