추천 시스템: 원리와 구현

추천 시스템의 원리와 실제로 구현합는 방법을 배웁니다.


수강중

19. 사례연구 : 네이버 영화

recommenderlab 패키지 불러오기

library(recommenderlab)

데이터 불러오기

m <- read.csv('MovieNaver.csv', stringsAsFactors = F, 
              fileEncoding = 'UTF-8')

데이터 탐색하기

dim(m)
colnames(m)

nrow(m)*ncol(m)

sum(is.na(m))
sum(!is.na(m))

hist(colMeans(m, na.rm = T))
hist(colMeans(m, na.rm = T), breaks = 50)

hist(apply(m, 1, function(x) sum(!is.na(x))), breaks = 50)
min(apply(m, 1, function(x) sum(!is.na(x))))
max(apply(m, 1, function(x) sum(!is.na(x))))

par(family = 'AppleGothic')
hist(m[,1], main = names(m)[1])
hist(m[,2], main = names(m)[2])
hist(m[,3], main = names(m)[3])
hist(m[,4], main = names(m)[4])
hist(m[,5], main = names(m)[5])

recommenderlab 패키지를 사용하기 위해 데이터 타입 변환하기

m <- as(m, 'matrix')
m <- as(m, 'realRatingMatrix')

평점을 기준으로 여러 모형들의 정확도 평가하기

scheme <- evaluationScheme(m, method="split",
                           train = .8, k = 1, given = 3) 

algorithms <- list(
    "random" = list(name="RANDOM"),
    "popular" = list(name="POPULAR"),
    "popularZ" = list(name="POPULAR", param=list(normalize = "Z-score")),
    "userZ50C" = list(name="UBCF", param=list(normalize = 'Z-score', nn = 50, method = 'cosine')),
    "userZ50P" = list(name="UBCF", param=list(normalize = 'Z-score', nn = 50, method = 'pearson')),
    "itemZ100PF" = list(name="IBCF", param=list(normalize = 'Z-score', k = 100, method = 'pearson', normalize_sim_matrix = F)),
    "itemZ100PT" = list(name="IBCF", param=list(normalize = 'Z-score', k = 100, method = 'pearson', normalize_sim_matrix = T)),
    'SVDZ10PT' = list(name="SVD", param=list(normalize = 'Z-score', k = 10)),
    'SVDZ10CF' = list(name="SVD", param=list(normalize = 'Z-score', k = 50)),
    'SVDZ50PT' = list(name="SVD", param=list(normalize = 'Z-score', k = 100))
)

results <- evaluate(scheme, algorithms, type='ratings')

for (i in names(results))
{
    print(i)
    print(getConfusionMatrix(results[[i]]))
}
plot(results)

추천 TOP LIST를 기준으로 여러 모형들의 정확도 평가하기

scheme <- evaluationScheme(m, method="split",
                           train = .8, k = 1, given = 3, goodRating = 6)

results <- evaluate(scheme, algorithms, type='topNList', n=c(1, 3, 5, 10, 15, 20))
plot(results, annotate = 1, legend="topleft")

최종 알고리즘은 UBCF(데이터 사용자별 표준화(Z-score), 인접한 이웃 50명, 유사도는 피어슨 상관계수)로 결정

rec <- Recommender(m, method = 'UBCF', param=list(normalize = 'Z-score', nn = 50, method = 'pearson'))

5번째 사람에게 추천 영화 5개를 추천해보기

as(predict(rec, m[5,], type = 'topNList', n = 5), 'list')
as(m[5,], 'list')