ReadME.md

Movie Recommendation

프로젝트 개요

이 프로젝트는 timestamp를 고려한 사용자의 순차적인 이력을 고려하고 implicit feedback을 고려한다는 점에서, 1-5점 평점 (explicit feedback) 기반의 행렬을 사용한 협업 필터링 문제와 차별화됩니다.

implicit feedback 기반의 sequential recommendation 시나리오를 바탕으로 사용자의 time-ordered sequence에서 일부 item이 누락된 (dropout)된 상황을 상정합니다.

뿐 만 아니라 여러가지 아이템 (영화)과 관련된 content (side-information)가 존재합니다.

원본 데이터가 있다면 특정 시점 이후의 데이터 (sequential)와 특정 시점 이전의 일부 데이터(static) 데이터를 임의로 추출하여, 정답 (ground-truth) 데이터로 사용하고 있습니다.

즉, 데이터 셋의 구성은 기존에 존재하던 sequential recommendation 시나리오에서 의도적으로 데이터를 누락 시킨 상황입니다.

평가 방법

변형된 Recall@K을 사용하고 그것은 다음과 같습니다.

Members

김연요	김진우	박정훈	이호진	최준혁

실험 기록

Modeling

S3Rec (0.0884)

기존에 주어진 baseline 모델은 모든 side-information을 고려하지 않고 ‘장르’ 속성만을 활용했습니다.

장르 뿐만아니라 연도, 감독등도 활용 해보았지만 각 속성 사이의 고차원 interaction을 고려하지 못하여 오히려 Score가 낮아진 것이라 판단했습니다.

Bert4Rec (0.0138)

베이스라인 코드와 유사하게 static 보다는 sequential 문제에 특화된 모델이었고, 역시나 성능이 그렇게 좋진 않았습니다.

Mult-VAE (0.1289)

베이스 라인 모델인 S3Rec 보다 훨씬 좋은 성능을 보였고, sequential 보다는 static을 고려한 모델이 더 이 과제에 적합한 듯한 모습을 보여 주었고 이 때문에, VAE based 모델을 더 찾아 보게 되었습니다.

RecVAE (0.1464)

전처리 방식과 모델의 pred가 MultiVAE와 동일하여 적용하기 쉬웠습니다.

그에 비해 성능은 뛰어나 리더보드 3위 까지 상승하는 모습을 보여주었습니다.

VASP (0.0633)

FLVAE와 Neural EASE을 앙상블한 모델.

MovieLens20M 에서 VAE 와 유사한 방식이라고 생각되어 시도해보았다. 리더보드 제출결과가 제공되었던 baseline code 인 S3REC보다 좋지 않아, 진행을 중단했습니다.

EVCF (0.0884)

Multi VAE에서 추가된 기능 : Hierarchical VAE, Gating Mechanism

VAE 모델과 유사한 방식이지만 다른 추가적인 부분과 MovieLens20M에서의 성능 향상의 근거로 시도해보았고 결과적으로 리더보드에서 결과가 좋지 않아 중단하였습니다.

EASE (0.1415)

어렵지 않은 전처리와 정말 얕은 모델이기 때문에 속도가 정말 빨랐습니다.

성능 또한 RECVAE만큼은 아니어도 비교적 좋게 나왔습니다.

Ensemble

SOFT VOTING

• 개요

  각 모델이 “모든 유저의 모든 아이템에 대한 Rate Prediction” 결과를 가중치 합산한 결과물을 토대로 TOP10을 뽑는 아이디어.

• 구현 아이디어

  1. 각 모델을 저마다의 방식으로 학습을 시킨 후, User-Item Score Table을 생성하게 하는 ensemble.py를 만들었습니다.

  2. 각 모델에 대해 정규화를 진행한 후, 해당 Table을 Elementwise 가중치합을 하고 그 결과물의 Top10을 뽑아 제출ㅎ.

• 결과

  각각을 적용했을 때보다 훨씬 성능이 저하됨을 관찰할 수 있었습니다.

  각 모델의 잘못된 판단이 오히려 상대의 훌륭한 판단에 간섭을 일으켜서 성능을 저하시킨 것으로 판단됩니다.

HARD VOTING

위에서 언급한 모델들(S3REC,BERT4REC,Multi VAE,RECVAE,VASP,EVCF,EASE)과 BPR, BiVAE,LightGBM등의 결과중 가장 많이 나온 10개의 영화를 추출했습니다.

성능에 대한 가중치를 주지 않아 성능이 좋지 않은 모델처럼 결과가 나오게 되었습니다.

하이퍼파라미터 튜닝

• WANDB sweep 사용

• 가장 성능이 좋았던 RECVAE 모델을 기준으로 아래의 parameter들을 변경하며 가장 좋은 성능을 보여주는 최적의 파라미터를 찾아서 사용 하였습니다.

• 결과 : 이 모델을 사용해서 0.1480의 점수 달성

• 상세 설정(파라미터 변경 횟수, 등)이 어려워 완벽하게 원하는 대로 파라미터를 탐색해 볼 수 없었습니다.