Movie Recommendation

사용자의 영화 시청 이력 데이터를 바탕으로 사용자가 다음에 시청할 영화 및 좋아할 영화를 예측하는 태스크

Team

icon
이름	한선우	신승훈	이경민	김민준	박광진	김영찬
담당	Model	Model	Model	Model	Model	Model
역할	Negative Sampling, GNN, SASRec	NCF, DeepFM	FM, EASE, MF	Negative Sampling, Recbole	RBM with LSTM, NARM, RecVAE, SLIM, MultiVAE, Ensemble	SASRec, S^3 Rec, BERTRec, NCF, Ensemble

폴더구조

프로젝트

목적

이 프로젝트는 사용자의 시청 기록과 영화에 대한 추가 메타데이터를 활용하여 사용자가 각 영화를 어떻게 평가할지 예측함으로써 사용자에게 영화를 추천하는 것을 목표로 합니다. 추천 시스템은 명시적 평점 대신 시청 순서와 같은 암시적 피드백을 기반으로 학습됩니다.

데이터

• train_ratings.csv: 31,360명의 사용자(user)가 6,807개의 영화(item)에 대해 남긴 5,154,471건의 평점을 남긴 시간(time) 데이터 입니다.
• Ml_item2attributes.json: item과 genre의 mapping 데이터입니다.
• titles.tsv: 6,807개의 영화(item)에 대한 제목(title)정보를 담고 있는 메타데이터입니다.
• years.tsv: 6,799개의 영화(item)에 대한 개봉연도(year) 정보를 담고 있는 메타데이터입니다.
• directors.tsv: 5,905개의 영화(item)에 대한 감독(director) 정보를 담고 있는 메타데이터입니다.
• genres.tsv: 15,934개의 영화(item)에 대한 장르(genre) 정보를 담고 있는 메타데이터입니다.
• writers.tsv: 11,307개의 영화(item)에 대한 작가(writer) 정보를 담고 있는 메타데이터입니다.

평가지표

Recall@K

• Recall@K는 는 사용자가 선호할 수 있는 아이템들 중에서 상위 K개에 실제로 포함된 아이템의 비율을 측정하는 지표입니다. 이 지표는 모델의 추천 성능을 평가하는 데 사용됩니다.

• Recall@K는 다음과 같이 정의됩니다:

  $$ Recall@K= \frac{1}{|U|} \sum_{u \in U} \frac{| { i \in I_u \ | \ \text{rank}_u(i) \leq K } |}{\min(K, |I_u|)} $$

  $$ |U| : 총 사용자 수, \ \ I_u : 사용자가 상호작용한 아이템의 수, \ \ {rank}_u(i) : 사용자의 아이템에 대한 순위, \ \ K : 평가하려는 추천 목록의 상위 K개의 아이템, \ \\ $$

협업 방법

• 구글 공유 폴더 (데이터 공유 용)
• GitHub (issue, pr 로 전체적인 흐름 관리)
• Notion (회의록, 보드로 프로젝트 관리)
• RecBole

Install

python version: 3.11x

pip install -r requirements.txt

코드

• run.sh: DeepFM, EASE, SLIM 모델의 학습 및 예측 과정을 자동으로 실행하는 Bash 스크립트입니다.
• main.py: Argparser 형식을 정의하고 config.yaml 파일과 통합하여 파이프라인을 실행하는 파일입니다.
• models/: 구현된 모델들의 아키텍처 파일을 포함하고 있습니다.
• train/: 각 모델의 학습 로직을 구현한 트레이너 클래스가 포함되어 있습니다.
• data/:
  • basic_data/: 기본 입력 데이터로 사용되는 행렬 기반 데이터가 포함되어 있습니다.
  • context_data/: 기본 행렬 데이터와 부가 정보를 결합한 데이터를 포함하고 있습니다.

사용법

• 실행 코드 : bash run.sh
• -c 는 필수사항이므로 반드시 지정해야 합니다.
• -m 은 모델의 약자로, DeepFM 또는 slim만 입력 가능합니다.
• config/ 폴더 안에는 각 모델의 파라미터 및 디바이스 설정이 포함되어 있습니다.
• Predict False 는 학습 과정에서 검증(validation)만 진행하며, 최종 테스트를 포함하지 않습니다.
• Predict True 는 학습 후 결과를 제출 가능한 출력(output)을 생성합니다.

최종 제출 결과

Model	리더보드 Recall@10 (중간)	리더보드 Recall@10 (최종)
ease_slim_multivae_ensemble_optuna	0.1600	0.1601
ease(lambda : 350)	0.1600	0.1596