fastai와 파이토치가 만나 꽃피운 딥러닝

333

8



협업 필터링 깊게 알아보기

에 진행했습니다. 이런 요솟값이 바로 잠재 요소입니다. 다음 절에서 잠재 요소의 값을 매기는

방식을 살펴보죠.

8.2



일반적인 경사 하강법을 그대로 사용할 수 있으므로 앞 절에서처럼 모델의 구조를 정하는 일과

이를 학습시키는 일은 놀라우리만큼 비슷합니다.

이 접근법의 첫 번째 단계에서는 일부 파라미터를 임의로 초기화합니다. 이런 파라미터는 각

사용자와 영화의 일련의 잠재 요소가 됩니다. 그리고 원하는 잠재 요소의 개수는 여러분이 결

정해야만 합니다. 적절한 개수를 선택하는 방법은 차후 다룰 예정이며, 지금은 다섯 개를 선택

하겠습니다. 각 사용자와 영화에는 일련의 잠재 요소가 있으므로, 임의로 초기화된 값을 교차

표에서 해당 사용자와 영화 옆에 함께 표현한다면 보기가 수월하겠죠. 또한 사용자와 영화의

잠재 요소 간 점곱 결과를 중간에 채워 넣습니다. [그림

8

-

2

]는 이를 마이크로소프트 엑셀로

표현한 모습입니다. 좌측 상단 셀에 점곱을 계산한 공식의 예가 있습니다.

두 번째 단계에서는 예측을 계산합니다. 각 사용자와 영화 간의 점곱을 구하면 되죠. 가령 사용

자의 첫 번째 잠재 요소는 사용자가 액션 영화를 좋아하는 정도를 표현하며, 영화의 첫 번째 잠

재 요소는 영화에 액션이 많은지를 표현한다고 가정해보죠. 그러면 사용자가 액션 영화를 좋아

하고 영화에 액션이 많거나, 사용자가 액션 영화를 좋아하지 않고 영화에 액션이 많지 않다면,

점곱의 결과는 클 것입니다. 반면 사용자와 영화가 ...