[번역/해석] music recommendation and discovery in the long tail (PhD_ocelma)_Chapter2

소개글

music recommendation and discovery in the long tail (PhD_ocelma) 의 원서 chapter 2의 번역/해석 문서입니다.
추천 시스템 관련 연구를 하시는 분들에게 유용한 문서이니 연구하시는데 도움이 됬으면 합니다.
*참고그림과 그래프등은 페이지수만 많이 차지하여 제거한 상태의 순수 텍스트로만 작성된 문서입니다.
참고그림과 그래프는 구글링 music recommendation and discovery in the long tail을 통해서 원서에서 쉽게 보실수 있습니다.

목차

2.1 Formalisation of the recommendation problem
2.2 Use cases
2.3 General model
2.4 User profile representation
2.4.1 Initial generation
2.4.2 Maintenance
2.4.3 Adaptation
2.5 Recommendation methods
2.5.1 Demographic filtering
2.5.2 Collaborative filtering
2.5.3 Content–based filtering
2.5.4 Context–based filtering
2.5.5 Hybrid methods

본문내용

The recommendation problem
일반적으로 말하면, 사람들이 추천시스템 사용에 관심을 갖는 이유는 그들이 선택할 수 있는 아주 많은 아이템을 갖고 있다는 것이다. ㅡ그들은 한정된 시간에 가능한 모든 선택들을 평가 할수 없다..
추천시스템은 사용자에 대한 이 모든 정보를 필터링하고 가져올 수 있어야 한다.
오늘날의 대부분의 성공적인 추천시스템들은 영화, 음악 또는 도서 같은 오락 컨텐츠 도메인을 위해 구현되어져 왔다.

이번 챕터는 다음과 같은 구조로 되어 있다:
섹션 2.1은 공식적인 추천 문제 정의를 소개.
그 후, 섹션 2.2는 추천시스템의 가능한 사용을 강조하기 위해 몇가지 사용 사례를 보여준다.
섹션 2.3은 추천 문제의 일반적인 모델을 보여준다.
추천시스템의 중요한 측면은 사용자 선호도를 모델링하는 방법과 사용자 프로필을 표현하는 방법이다.
이것은 섹션 2.4에서 논의된다.
그 후, 섹션 2.6은 추천 문제의 영향을 미친 몇가지 주요 요소들을 보여준다
마지막으로 섹션 2.5는 추천 아이템의 대한 현재 사용되는 추천 방법들을 보여준다.

2.1 Formarlisation of the recommendation problem
직감적으로 추천 문제는 두가지의 서브문제로 나눠질 수 있다.
첫 번째는 예측 문제이고 특정 사용자의 대한 아이템의 유사성 추정에 관한 것이다.
두번 째 문제는 N개의 아이템 목록을 추천하는 것이다. ㅡ시스템은 평가 되지 않은 아이템의 유사도를 측정할 수 있다고 가정. 실제로 가장 관련 있는 문제는 추정이다.
시스템은 완전 정렬된 집합의 아이템들을 추정할 수 있다.
추천 문제는 가장 높은 추정된 값을 가진 top-N 아이템 리스트에 대해 감소한다.

예측 문제는 다음과 같이 공식화 될 수 있다:
U={u1,u2,,,um}은 모든 사용자의 집합이 되고 I={i1,i2,,,in}은 추천 될 수 있는 가능한 모든 아이템들이다.

참고 자료

music recommendation and discovery in the long tail (PhD_ocelma)