선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 해당 방법은 자연어처리연구 분야에서 사용하는 단어 임베딩 전략(World Embedding Strategy)방식을 적용하였다. 두 번째로 표현된 아이템들을 순서를 가지는 사건(Sequence)으로 가정하여 딥러닝 방식으로 학습하는 방법을 제안한다. 마지막으로 제안된 방법들을 하나로 합펴서 나타낸 설계 모델을 제안한다.
- 두 번째로 표현된 아이템들을 순서를 가지는 사건(Sequence)으로 가정하여 딥러닝 방식으로 학습하는 방법을 제안한다. 마지막으로 제안된 방법들을 하나로 합펴서 나타낸 설계 모델을 제안한다. 해당 모델은 표현된 아이템 구조를 입력으로 하는 딥러님 방식의 RNN 로 이루어져있다.
- 이 문제는 전통적으로 사용되었던 기계학습의 입력 특성들이 의미적으로 관계가 없도록, 독립적으로 표현하기 때문이다. 본 논문에서는 임베딩 기법[1]을 이용하여 서로 독립적으로 표현되었던 아이템들을 의미적으로 표현되는 벡터로 바꾸고, 최근 협업 필터링 기반의 추천 시스템으로 많이 사용되는 RNN[2][3]을 사용하여 모델링한 시스템을 제안한다.
- 제안 모델은 첫번째로 잠재적으로 항소 독립적인 특성으로 표현된 아이템들을 의미적으로 연관성을 가지는 표현방법으로 변환하는 방법을 제안한다. 해당 방법은 자연어처리연구 분야에서 사용하는 단어 임베딩 전략(World Embedding Strategy)방식을 적용하였다.
- 제안모델은 Embedding 층과 Prediction 층으로 나누어 진다.
이론/모형
- Prediction 층은 Embedding 된 아이템 벡터를 입력으로 하는 RNN 신경망 추천 모델이고 추천되는 영화 데이터를 출력으로 한다. 학습에 사용되는 RNN 모델은 최근 가장 성능이 옾다고 알려진 LSTM을 사용한다.
- Embedding 층은 2, 아이템 임베딩에서 설명한대로 입력으로 주어지는 아이템 열을 Embedding 하여 의미적으로 연관성이 있는 벡터 형태로 표현된다. 학습에 사용되는 알고리즘은 일반적인 Backpropagation 알고리즘을 사용하고 Activation Function 은 Softmax 를 사용한다.
- 아이템 임베딩(Item Embedding)은 sparse 하게 표현되어 있는 아이템을 dense 하게 표현해주는 방법이다. 해당 방법은 World Embedding 방법들 중에서 skip-gram 형태의 Embedding 방식을 차용한다.[4].
- 제안 모델은 첫번째로 잠재적으로 항소 독립적인 특성으로 표현된 아이템들을 의미적으로 연관성을 가지는 표현방법으로 변환하는 방법을 제안한다. 해당 방법은 자연어처리연구 분야에서 사용하는 단어 임베딩 전략(World Embedding Strategy)방식을 적용하였다. 두 번째로 표현된 아이템들을 순서를 가지는 사건(Sequence)으로 가정하여 딥러닝 방식으로 학습하는 방법을 제안한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.