왓챠가 사용자의 취향에 다가가는 방법 (feat. CIKM)
왓챠가 사용자의 취향에 다가가는 방법 (feat. CIKM)
협업 필터링의 인기 편향이 코사인 기반 학습에서도 남는 경로를 분석했습니다. L2 Projection과 Degree Prior로 롱테일 추천 성능과 커버리지를 개선했습니다.
#협업 필터링#인기 편향
3300
협업 필터링의 인기 편향이 코사인 기반 학습에서도 남는 경로를 분석했습니다. L2 Projection과 Degree Prior로 롱테일 추천 성능과 커버리지를 개선했습니다.


추천 모델 선정에 앞서 모델별 데이터 요구사항과 행동 이벤트의 의미를 검토했습니다. 필수 조건은 Filtering으로 분리하고, 노출·요청·응답을 연결해 기록하는 구조를 제안했습니다.


Item-CF를 희소 벡터와 Ray 분산 처리로 최적화해 추천 테이블 생성 시간을 크게 줄였습니다. 메타데이터 품질 편차가 큰 다수 이커머스 환경에서 견고성을 선택한 사례를 소개합니다.