목요일, 3월 28
Shadow

#014 예제를 통해 본 등급의 지능 정보화

간단하게 아이템에 대한 등급 정보를 합한후 평균값을 제강하는 방법 – 가장 인기있는 등급이 높은 상위 열개의 아이템을 뽑을때 유용할 것이다.

클러스터링- 비슷한 사용자들을 묶어줄수있는 기법
: 특정 사용자와 비슷한 사용자들의 그룹에서 계산되어 나온 아이템의 평균 등급은 이전에 설명한 일반적인 평균 등급에 비해 더 적절하다.
사진1 사진2 사진3 평균
제인 3 4 2 3
2 2 4 8/3
1 3 5 3
평균 2 3 11/3 26/3
위의 예제 데이터를 기반으로 아래와 같은 질문에 답을 해 보자
1. 특정 아이템과 유사한 아이템은 무엇인가?
2. 한 사용자와 유사한 다른 사용자는 누구인가?
이에 대한 답변은 코사인 기반 유사도와 상관계 기반 유사도, 적응 코사인기반 유사도 기법을 사용해 도출할수 있다.
1. 코사인 기반의 유사도 관계
 : 두 벡터의 내적
 : 행이 사진, 열이 사용자에 상응되게끔 행렬을 전치 한다. 열의 각 항목이 의미하는 바는 사진을 설명하는 차원이라 생각하면된다.
 :첫번째 행에서는 ROOT(3^2+2^2+1^2) = root14 = 3.1744
제인
사진1 0.8018 0.5345 0.2673
사진2 0.7428 0.3714 0.557
사진3 0.2981 0.5963 0.7454

이 결과를 기반으로 벡터의 내적을 계산하면 두아이템간의 유사도를 알수 있다.

사진 1과 사진 2의 유사도는 (0.8018*0.7428)+(0.5345+0.3714)+(0.2673+0.557)= 0.943
이를 이용해 아이탬 대 아이탬 유사도 테이블을 만들어 보면
사진1 사진2 사진3
사진1 1 0.943 0.757
사진2 0.943 1 0.858
사진3 0.757 0.858 1
사용자와 아이템간의 유사도 구하는 방법
ROOT(3^2+4^2+2^2) = ROOT(29) = 5.385
사진1 사진2 사진3
0.5571 0.7428 0.3717
제인 0.4082 0.4082 0.8165
0.1690 0.5071 0.8452

각 사용자에 대한 정규화된 등급 벡터를 구해 보았다.

이 내용을 이용해서 사용자 사이의 유사도 테이블을 구해보면
제인
1 0.83 0.78
제인 0.83 1 0.97
0.78 0.97 1

이방법의 대안인 사용자가 제공한 값의 평균값과 해당 등급 정보와의 분산에 중점을 둔 방법을 설명한다.

상관관계 기반 유사도, 적응 코사인 기반 유사도 계산은 패스~

답글 남기기

이메일 주소는 공개되지 않습니다. 필수 필드는 *로 표시됩니다

이 사이트는 스팸을 줄이는 아키스밋을 사용합니다. 댓글이 어떻게 처리되는지 알아보십시오.