여행하는 개발자

1. 블로그 - 다른말로 웹로그는 다른사람들과 공유하고 싶은 내용에 대해서 글을 쓰는 개인적인 온라인 저널이다. 다른 사용자들은 블로그에 댓글을 달수 있다. 블로그는 일반적으로 다이어리 형식으로 작성되며, 다른 웹 사이트를 가리키는 링크도 포함된다. 블로그의 활용: 1. 회사 웹사이트 0 회사들은 주주나 고객, 직원 다른사람들과의 연결점으로 블로그를 활용한다. 때로는 중요한 결정이나 정책에 대한 피드백을 받는데 사용하기도 한다. 또한 블로그는 어떤 결정이나 정책의 근거를 전달하는 적적한 포럼역할도 할수 있다. 또한 개발중인 제품의 피드백을 얻는데 활용할수도 있다. 2. 애플리케이션 내부- 애플리케이션에서 내외부적으로 관련성있는 정보를 제공하는데 블로그를 사용할수 있다. 애플리케이션 내부에서 사용자들이 블로깅을 하게 함으로써 다른 사람들에게 보여질수 있는 추가 콘텐츠를 만들어 낼수 있다. 3. 블로고스피어에 있느 다른 블로그 - 블로고 스피어에 있는 다른 블로그들은 여느 글은 제품에 대한 대중의 관심도를 높일수 있고, 반면에 부정적인 언급은 제품에 저주를 내릴수 있다. ...

1. 콘텐츠 접근 방법: 텀 백터는 키워드나 태그와 관련된 가중치 값을 가지고 있다. 콘텐츠를 저장하고, 콘텐츠에 접근하거나 콘텐츠를 추천하는 사용자는 관련 아이템의 메타데이터에 영향을 받는다. 2. 협업기반 접근 방법: 북마킹된 데이터 수집하고 분석하기, 아이템 저장하기, 다른 사용자를 위한 아이템 추천하기등 수집된 데이터를 분석하는 방법은 서로 비슷하다.

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 도 2 2 4 8/3 존 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 존 제인 도 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...

웹 2.0이란 결국 비슷한 사람들을 서로 연결해주는 방법에 대한 것이다. 유사성은 취향, 직위, 의견 또는 지리적 위치등이 될수 있다. 취향과 의견은 리뷰와 추천에서 자주 나타난다. 이런 것들은 다음과 같은 상황에서 다른 사용자에게 매우 큰 영향을 준다. 1. 편견이 없는 의견 2. 유사한 사용자의 리뷰 3. 영향력이 큰 사람의 취향이나 의견

1. 템벡터는 방향과 크기가 있는 벡터다 알고리즘은 분석 작업을 하기 위해 데이터를 입력 받는다. 여러 인스턴스로 구성된 데이터는 테이블 형태로도 표현할수 있다. 이런 테이블에서 데이터가 어떻게 분포되어 있느냐에 따라, 고밀도 데이터셋과 고차원 저밀도 데이터 셋으로 구분된다. 2. 데이터 유형 예) 사이트에 세사람이 머무는 시간         나이        성별       하루동안 사이트에 머무는 시간 존     25           M           25 조     30           M           20 제인  20           F            30 데이터셋에서 사이트에서 보낸시간을 예측 할수 있는 중요 인자는 나이, 사이트에서 보낸시간이다. 그러나 성별 속성은 예측에 필요없는 데이터 이다. 1. 고밀도 데이터셋 - 사용자가 늘어날수록 데이터셋의 행은 늘어난다.   - 행의 개수가 열의 개수보다 더 많다.   - 고밀도 데이터 셋은 각 셀마다 값이 존재한다. ------------------------------------------------------------- 고차원 저밀도 데이터셋은 일반적인 형태의 텀 백터이다. 이 데이터 셋을 이해하기 위해서는 지난주라는 시간 영역을 생각하여야 한다. 같은 시간 영역에서 비디오를 본 사용자 집단과 아닌경우로 나눌수 있다.         동영상1   동영상2   동영상3... 존     1 조     1             1 제인                         ...

벡터스페이스 모델 벡터공간 모델 상에서 각 도큐먼트들과 질문자들은 n차원 공간 속의 벡터들로 취급되며, 이때 각 차원들은 색인용어들로 표현된다. 이 기법에 의한 검색 절차는 다음과 같다. 1) 용어의 가중치는 정규화된 도큐먼트내의 빈도(TF)와 이의 역빈도수(IDF)를 조합하여 게산 2) "낮은 식별치(poor discrimination value)의 값을 지닌 용어들은 시소러스내의 저 빈도용어들로 대치되며 구의 경우 고빈도 용어들로 대체된다. 3) 각 도큐먼트들은 이용자 질문에 대해서 그 유사성의 순위별로 출력되며, 이러한 과정은 코사인 상관도에 의해 계산된다. (벡터 공간 내에서 이용자의 질의에 가장 근접해 있는 도큐먼트들을 직관적으로 검색해낸다.) 자세한 내용은 다운받아 보시길... 1. Definition 2. Applications 3. Examples 4. Limitations 5. Reference 6. Models based on and extending the vector space model  COF-Vector Space Model.pdf 벡터 스페이스 모델은 문서를 표현하는데 가장 많이 사용되는 방법 텍스트-텀가중치-텀가중치-텀가중치 의 형태로 문서를 표현하는데, 이는 문서에 등장하는 텀과 각 텀의 관련 가중치로 구성된다. 텀백터는 아이템과 관련된 메타데이터를 표현하는 하나의 표현형태이다. 텀가중치는 텀의 빈도와 역문서빈도(TFIDF)를 조합하여 결정된다. 텀 빈도는 한 문서안에서 텀의 출연한 빈도이다. 특정 문서내에서 자주...