Top

추천 시스템 [기초부터 실무까지 머신러닝 추천 시스템 교과서]

  • 원서명Recommender Systems: The Textbook (ISBN 9783319296579)
  • 지은이차루 아가르왈(Charu C. Aggarwal)
  • 옮긴이박희원, 이주희, 이진형
  • ISBN : 9791161755878
  • 40,000원
  • 2021년 12월 31일 펴냄
  • 페이퍼백 | 600쪽 | 180*255mm
  • 시리즈 : 데이터 과학

판매처

YES24 교보문고 영풍문고 알라딘 인터파크

책 소개

요약

사용자의 이전 검색이나 구매를 기반으로 제품 또는 서비스의 개인화된 추천을 제공하는 추천 시스템을 포괄적으로 다룬다. 추천 시스템 방법은 쿼리 로그 마이닝, 소셜 네트워킹, 뉴스 추천 및 컴퓨터 광고를 포함한 다양한 애플리케이션에 적용됐다. 이 책은 알고리듬 및 평가, 특정 도메인 및 컨텍스트의 추천, 고급 주제 및 애플리케이션의 세 가지 범주로 구성했다. 기본적으로 교과서 역할을 하면서도 최근 주제와 애플리케이션도 함께 소개하므로 산업 종사자와 연구자들에게도 도움이 될 것이다. 수많은 예제와 연습 문제를 제공한다.

이 책의 대상 독자

교과서로 사용할 수 있도록 많은 예제와 연습문제를 수록했으며, 기본 주제와 알고리듬 챕터는 강의 교육을 염두에 두고 만들었다. 그리고 많은 산업 실무자와 연구자가 응용하고 참고할 때 유용하게 쓸 수 있도록 많은 노력을 기울였다.

이 책의 구성

이 책의 각 장은 3가지 카테고리로 구성됐다.
1. 알고리듬과 평가: 협업 필터링 방법, 콘텐츠 기반 방법, 지식 기반 방법 등 추천 시스템의 기본적인 알고리듬을 논의한다. 하이브리드 방법에 관한 기술과 추천 시스템 평가도 다룬다.
2. 도메인과 컨텍스트별 추천 시스템: 추천 시스템의 컨텍스트는 효과적인 추천을 제공할 때 중요한 역할을 한다. 예를 들어 식당을 찾는 사용자는 자신의 위치 데이터를 추가적인 컨텍스트로 사용하길 원할 것이다. 추천의 컨텍스트는 추천의 목표에 영향을 미치는 매우 중요한 부가 정보로 볼 수 있다. 시간 데이터, 공간 데이터, 소셜 데이터와 같은 다른 도메인 유형들은 다른 유형의 컨텍스트를 제공한다. 또한 추천 프로세스의 신뢰성을 증가시키기 위해 소셜 정보를 이용할 때 발생하는 이슈를 논의할 것이다. factorization machine과 신뢰할 수 있는 추천 시스템도 다룬다.
3. 고급 주제와 애플리케이션: 실링 시스템, 공격 모델, 방어법과 같은 추천 시스템의 다양한 견고성 측면에 관해 살펴본다. 랭크 학습, 멀티암 밴딧, 그룹 추천 시스템, 다중-기준 시스템, 능동 학습 시스템과 같은 주제도 논의한다. 그리고 뉴스 추천 시스템, 쿼리 검색, 전산 광고와 같이 사용된 몇몇 애플리케이션 환경을 조사한다. ‘애플리케이션’ 절은 이러한 앞쪽 장에서 소개한 방법을 다른 도메인에 어떻게 적용하는지 아이디어를 제공한다.

저자/역자 소개

지은이의 말

웹이 비즈니스와 전자상거래에서 중요한 매체가 되면서 1990년대에는 추천 시스템의 중요도가 점점 높아졌다. 웹은 다른 채널에서는 볼 수 없었던 개인화를 위해 이전엔 볼 수 없었던 기회를 제공했다. 특히 데이터 수집에 편의성을 더해 추천 아이템에 이용할 수 있는 사용자 인터페이스를 제공했다. 이때부터 추천 시스템은 대중의 인식 측면에서 크게 성장했다. 많은 콘퍼런스와 워크샵에서 추천 시스템에 전적으로 전념하고 있다는 것을 볼 수 있었다. ACM 콘퍼런스는 특히 주목할 만하다. 추천 시스템에 대한 최신 결과에 관해 정기적으로 많이 기여하기 때문이다. 추천 시스템의 주제는 매우 다양하다. 추천을 만들 때 ‘사용자-선호도’와 ‘사용자-요구 사항’과 같은 다양한 유형을 지정할 수 있기 때문이다. 추천 시스템에서 가장 잘 알려진 방법은 협업 필터링, 콘텐츠 기반, 지식 기반 방법이다. 이 세 가지 방법은 추천 시스템의 연구의 기본축을 구성한다. 최근 몇 년 동안 다양한 데이터 도메인과 시간, 위치, 소셜 정보와 같은 컨텍스트를 위한 특별한 방법이 설계됐다. 특별한 시나리오와 쿼리 로그 마이닝, 뉴스 추천, 전산 광고와 같은 다양한 애플리케이션 도메인에 적용 가능한 수많은 진보된 방법을 제안했다. 이 책은 이러한 주요한 주제들을 반영해 구성했다.

지은이 소개

차루 아가르왈(Charu C. Aggarwal)

뉴욕 요크타운 하이츠의 IBM T. J. 왓슨 리서치 센터의 뛰어난 연구 회원(DRSM)이다. 1993년 IIT Kanpur에서 학사 학위를 받았고 1996년 MIT에서 박사 학위를 받았다. 데이터 마이닝 분야에서 폭넓게 일해왔고, 400개 이상의 논문을 콘퍼런스와 학술지에 발표했으며 80개 이상의 저작 특허권이 있다. 데이터 마이닝에 관한 교과서, 특이치 분석에 관한 포괄적인 책을 포함한 15권의 책을 저술하거나 편집했다. 특허의 상업적 가치 덕분에 IBM에서 마스터 발명가로 세 번이나 지정됐다. 데이터 스트림에서 생물 테러리스트 위협 탐지에 대한 연구로 IBM 기업상(2003)을 수상했고, 프라이버시 기술에 대한 과학적인 공헌으로 IBM 우수 혁신상(2008)을 수상했다.
데이터 스트림 및 고차원적인 작업에 대한 각각의 작업을 인정받아 두 개의 IBM 우수 기술 성과상(2009, 2015)을 수상했다. 응축 기반 프라이버시 보존 데이터 마이닝에 관한 연구로 EDBT 2014 Test of Time Award를 수상했다. 또한 데이터 마이닝 분야에서 영향력 있는 연구 공헌에 대한 두 가지 최고상 중 하나인I EEE ICDM 연구 공헌상(2015)을 수상했다.
IEEE 빅데이터 콘퍼런스(2014)의 총괄 공동 의장직과 ACM CIKM 콘퍼런스(2015), IEEE ICDM 콘퍼런스(2015), ACM KDD 콘퍼런스(2016) 프로그램 공동 의장직을 역임했다. 2004년부터 2008년까지 「IEEE Transactions on Knowledge and Data Engineering」의 부편집장으로 일했다. 「ACM Transactions on Knowledge Discovery from Data」의 부편집장, 「IEEE Transactions on Big Data」의 부편집장, 「Data Mining and Knowledge Discovery Journal」과 「ACM SIGKDD Exploration」의 편집장, 「Knowledge and Information Systems Journal」의 부편집장이다. Springer의 간행물인 「Lecture Notes on Social Networks」 자문 위원회에서 활동하고 있으며 데이터 마이닝에 관한 SIAM 활동 그룹의 부사장을 역임했다. “contributions to knowledge discovery and data mining algorithms”에 관한 SIAM, ACM, IEEE의 펠로우다.

옮긴이의 말

‘추천'은 특정 산업뿐만 아니라 정말 다양한 산업에서 활용할 수 있어 특히나 데이터를 이제 막 쌓아 두기 시작한 요즘에는 더욱 많이 찾는 방법론이다. 하지만 이런 범용적인 활용도 대비 추천 알고리듬을 어떤 상황에 쓰고, 각 알고리듬의 장단점 등을 소개하는 책은 찾기 어려웠다. 또한 데이터 엔지니어, 데이터 사이언티스트 외의 비전문가가 이해할 수 있는 언어로 풀이된 자료는 더욱 구하기 어렵다. 이 책이 그간 있었던 궁금증을 풀 수 있을 것이라 생각되고, 책에서 소개한 기본이 되는 알고리듬을 중심으로 현재도 새로운 ML모델들이 등장하고 있어 ‘요즘'의 추천 알고리듬을 이해하시는 데 더욱 도움이 되시리라 생각된다.

박희원

이 책을 번역하면서 추천 시스템은 특정 알고리듬으로, 특정 영역에서만 활용되는 것이 아닌 모든 산업 전반에 걸쳐 적용되고 있는 것을 알게 됐다. 기본적인 알고리듬 설명에서부터 실무자들이 활용할 수 있는 최근 알고리듬 내용까지 이론적으로 잘 설명이 돼 있어서 추천 시스템을 이해하고자 하는 분들이 기본서로 활용하시면 도움이 되리라 생각한다.

이주희

대학원의 추천 시스템 수업에서 이 책을 처음 접했다. 추천 시스템에 대해 더 공부를 하고 싶어서 온라인 서점에서 관련된 책을 찾아봤으나 추천 시스템의 이론을 다루는 책이 없었다. 그래서 원서 중에 추천 시스템의 이론에 대해서 기초부터 고급 내용까지 다르고 있는 이 책을 찾게 됐다. 이 책을 보며 추천 시스템에 대해 이해할 수 있는 좋은 기회가 됐지만 국내에는 이런 책이 없는 것에 아쉬움이 있었다. 그래서 추천 시스템을 공부하고 연구하고 실무에 적용하려는 분들께 추천 시스템을 이해하기 위한 진입장벽을 조금이라도 낮추는데 기여하고 싶어서 이 책을 번역하게 됐다.

이진형

옮긴이 소개

박희원

라이스대학교(Rice University)와 KAIST에서 관련 공부를 했으며, 이후 네이버, MOLOCO, 비바리퍼블리카를 거쳐 현재는 리테일업에서 개인화를 총괄하면서 추천 알고리듬들을 적용한 제품과 마케팅 전략을 만들어내고 있다.

이주희

이론적 알고리듬 개발과 분석을 기반으로 실용적인 기술을 개발하고자 한다. 적정한 딥러닝을 활용한 기술 개발을 위해 인공지능 기술을 제어 분야에 접목한 지능제어 기술 분야에 참여해서 연구하고 있다.

이진형

데이터에서 숨어 있는 인사이트를 찾는 일을 좋아한다. 11번가에서 데이터 엔지니어와 데이터 과학자 역할 사이에서 판매자와 구매자가 사용하는 개인화 추천 서비스를 제공하기 위해 데이터 파이프라인과 데이터 모델을 개발했으며, 현재는 카드 혜택 통합 관리 핀테크 스타트업 빅쏠에서 데이터 과학자로 일하고 있다.

목차

목차
  • 1장. 추천 시스템 소개
  • 1.1 개요
  • 1.2 추천 시스템의 목표
  • 1.21 추천 애플리케이션의 범위
  • 1.3 추천 시스템의 기본 모델
  • 1.3.1 협업 필터링 모델
  • 1.3.1.1 평점의 종류
  • 1.3.1.2 결측치 분석과의 관계
  • 1.3.1.3 분류와 회귀 모델링의 일반화로써의 협업 필터링
  • 1.3.2 콘텐츠 기반 추천 시스템
  • 1.3.3 지식 기반 추천 시스템
  • 1.3.31 효용 기반 추천 시스템
  • 1.3.4 인구 통계학적 추천 시스템
  • 1.3.5 하이브리드와 앙상블 기반 추천 시스템
  • 1.3.6 추천 시스템의 평가
  • 1.4 추천 시스템의 도메인 특화 과제
  • 1.4.1 컨텍스트 기반 추천 시스템
  • 1.4.2 시간에 민감한 추천 시스템
  • 1.4.3 위치 기반 추천 시스템
  • 1.4.4 소셜 추천 시스템
  • 1.4.4.1 노드와 링크의 구조적 추천
  • 1.4.4.2 사회적 영향을 고려한 제품과 콘텐츠 추천
  • 1.4.4.3 신뢰할 수 있는 추천 시스템
  • 1.4.4.4 소셜 태그 피드백을 활용한 추천
  • 1.5 고급 주제 및 애플리케이션
  • 1.5.1 추천 시스템의 콜드 스타트 문제
  • 1.5.2 공격에 강한 추천 시스템
  • 1.5.3 그룹 추천 시스템
  • 1.5.4 다중 기준 추천 시스템
  • 1.5.5 추천 시스템의 능동 학습
  • 1.5.6 추천 시스템의 개인정보보호
  • 1.5.7 애플리케이션 도메인
  • 1.6 요약
  • 1.7 참고문헌
  • 1.8 연습 문제

  • 2장. 이웃 기반 협업 필터링
  • 2.1 개요
  • 2.2 평점 행렬의 주요 특징
  • 2.3 이웃 기반 방법론의 평점 예측
  • 2.3.1 사용자 기반 이웃 모델
  • 2.3.1.1 유사도 함수 변형
  • 2.3.1.2 예측함수의 변형
  • 2.3.1.3 피어 그룹 필터링의 변형
  • 2.3.1.4 롱테일의 영향
  • 2.3.2 아이템 기반 이웃 모델
  • 2.3.3 효율적 구현 및 계산 복잡성
  • 2.3.4 사용자 기반 방법론과 아이템 기반 방법론의 비교
  • 2.3.5 이웃 기반 방법론의 장점과 단점
  • 2.3.6 사용자 기반과 아이템 기반 방법론의 통합된 관점
  • 2.4 클러스터링과 이웃 기반 방법론
  • 2.5 차원 축소와 이웃 기반 방법론
  • 2.5.1 바이어스 문제 처리
  • 2.5.1.1 최대 우도 추정
  • 2.5.1.2 불완전한 데이터의 직접 행렬 인수분해
  • 2.6 이웃 방법론의 회귀 모델링 관점
  • 2.6.1 사용자 기반 최근접 이웃 회귀
  • 2.6.1.1 희소성 및 바이어스 문제
  • 2.6.2 아이템 기반 가장 근접 이웃 회귀
  • 2.6.3 사용자 기반 및 아이템 기반 방법 결합
  • 2.6.4 유사도 가중치를 이용하는 조인트 보간법
  • 2.6.5 희소 선형 모델(SLIM)
  • 2.7 이웃 기반 방법에 대한 그래프 모델
  • 2.7.1 사용자-아이템 그래프
  • 2.7.1.1 랜덤 워크를 이용한 이웃 정의
  • 2.7.1.2 카츠 척도를 이용한 이웃 정의
  • 2.7.2 사용자-사용자 그래프
  • 2.7.3 아이템-아이템 그래프
  • 2.8 요약
  • 2.9 참고문헌
  • 2.10 연습 문제

  • 3장. 모델 기반 협업 필터링
  • 3.1 개요
  • 3.2 의사 결정 및 회귀 트리
  • 3.2.1 의사 결정 트리를 협업 필터링으로 확장
  • 3.3 규칙 기반 협업 필터링
  • 3.3.1 협업 필터링을 위한 레버리지 연관 규칙의 활용
  • 3.3.2 아이템별 모델 대 사용자별 모델
  • 3.4 나이브 베이즈 협업 필터링
  • 3.4.1 과적합 조정
  • 3.4.2 이진 평점에 대한 베이즈 방법의 적용 예
  • 3.5 임의의 분류 모델을 블랙 박스로 사용
  • 3.5.1 예: 신경망을 블랙 박스로 사용
  • 3.6 잠재 요인 모델
  • 3.6.1 잠재 요인 모델에 대한 기하학적 직관
  • 3.6.2 잠재 요인 모델에 관한 저차원 직관
  • 3.6.3 기본 행렬 인수분해 원리
  • 3.6.4 제약 없는 행렬 인수분해
  • 3.6.4.1 확률적 경사하강법
  • 3.6.4.2 정규화
  • 3.6.4.3 점진적 잠재성분 훈련
  • 3.6.4.4 최소 제곱과 좌표 하강의 교차 적용
  • 3.6.4.5 사용자 및 아이템 바이어스 통합
  • 3.6.4.6 암시적 피드백 통합
  • 3.6.5 특이값 분해
  • 3.6.5.1 SVD에 대한 간단한 반복 접근법
  • 3.6.5.2 최적화 기반 접근법
  • 3.6.5.3 표본 외 추천
  • 3.6.5.4 특이값 분해의 예
  • 3.6.6 비음행렬 인수분해
  • 3.6.6.1 해석 가능성의 장점
  • 3.6.6.2 암시적 피드백을 사용한 인수분해에 대한 고찰
  • 3.6.6.3 암시적 피드백에 대한 계산 및 가중치 문제
  • 3.6.6.4 좋아요와 싫어요가 모두 있는 평점
  • 3.6.7 행렬 인수분해 계열의 이해
  • 3.7 분해와 이웃 모델 통합
  • 3.7.1 베이스라인 추정 모델: 개인화되지 않은 바이어스 중심 모델
  • 3.7.2 모델의 이웃 부분
  • 3.7.3 모델의 잠재 요인 부분
  • 3.7.4 이웃 및 잠재 요인 부분의 통합
  • 3.7.5 최적화 모델 풀기
  • 3.7.6 정확도에 대한 고찰
  • 3.7.7 잠재 요인 모델을 임의 모델과 통합
  • 3.8 요약
  • 3.9 참고문헌
  • 3.10 연습 문제

  • 4장. 콘텐츠 기반 추천 시스템
  • 4.1 개요
  • 4.2 콘텐츠 기반 시스템의 기본 구성 요소
  • 4.3 전처리 및 피처 추출
  • 4.3.1 피처 추출
  • 4.3.1.1 상품 추천의 예
  • 4.3.1.2 웹 페이지 추천의 예
  • 4.3.1.3 음악 추천의 예
  • 4.3.2 피처 표현 및 정제
  • 4.3.3 사용자가 좋아하는 것과 싫어하는 것 수집
  • 4.3.4 지도 피처 선택과 가중치 설정
  • 4.3.4.1 지니 계수
  • 4.3.4.2 엔트로피
  • 4.3.4.3 X2-통계
  • 4.3.4.4 정규화된 편차
  • 4.3.4.5 피처 가중치 설정
  • 4.4 사용자 프로파일 학습 및 필터링
  • 4.4.1 최근접 이웃 분류
  • 4.4.2 사례 기반 추천 시스템과의 연결
  • 4.4.3 베이즈 분류 모델
  • 4.4.3.1 중간 확률 추정
  • 4.4.3.2 베이즈 모델의 예
  • 4.4.4 규칙 기반 분류 모델
  • 4.4.4.1 규칙 기반 방법의 예
  • 4.4.5 회귀 기반 모델
  • 4.4.6 기타 학습 모델 및 비교 개요
  • 4.4.7 콘텐츠 기반 시스템에 관한 설명
  • 4.5 콘텐츠 기반 대 협업 필터링 추천
  • 4.6 협업 필터링 시스템을 위한 콘텐츠 기반 모델 사용
  • 4.61 사용자 프로파일 활용
  • 4.7 요약
  • 4.8 참고문헌
  • 4.9 연습 문제

  • 5장. 지식 기반 추천 시스템
  • 5.1 개요
  • 5.2 제약 조건 기반 추천 시스템
  • 5.2.1 관련 결과의 반환
  • 5.2.2 상호작용 방법론
  • 5.2.3 일치하는 아이템의 순위 매기기
  • 5.2.4 허용되지 않는 결과 또는 공집합 처리
  • 5.2.5 제약 조건 추가
  • 5.3 사례 기반 추천
  • 5.3.1 유사도 메트릭
  • 5.3.1.1 유사도 계산에 다양성 통합
  • 5.3.2 수정 방법론
  • 5.3.2.1 간단한 수정
  • 5.3.2.2 복합적 수정
  • 5.3.2.3 동적 수정
  • 5.3.3 수정에 대한 설명
  • 5.4 지식 기반 시스템의 지속적인 개인화
  • 5.5 요약
  • 5.6 참고문헌
  • 5.7 연습 문제

  • 6장. 앙상블 기반과 하이브리드 추천 시스템
  • 6.1 개요
  • 6.2 분류 관점에서 본 앙상블 방법
  • 6.3 가중 하이브리드
  • 6.3.1 다양한 유형의 모델 조합
  • 6.3.2 분류에서 배깅 적응
  • 6.3.3 무작위성의 주입
  • 6.4 스위칭 하이브리드
  • 6.4.1 콜드 스타트 문제를 위한 스위칭 메커니즘
  • 6.4.2 모델 버킷
  • 6.5 캐스케이드 하이브리드
  • 6.5.1 추천의 연속적인 재정의
  • 6.5.2 부스팅
  • 6.5.2.1 가중 기본 모델
  • 6.6 피처 증강 하이브리드
  • 6.7 메타 레벨 하이브리드
  • 6.8 피처 결합 하이브리드
  • 6.8.1 회귀 및 행렬 인수분해
  • 6.8.2 메타 레벨 피처
  • 6.9 혼합 하이브리드
  • 6.10 요약
  • 6.11 참고문헌
  • 6.12 연습 문제

  • 7장. 추천 시스템 평가
  • 7.1 개요
  • 7.2 평가 패러다임
  • 7.2.1 사용자 연구
  • 7.2.2 온라인 평가
  • 7.2.3 과거 데이터 세트를 사용한 오프라인 평가
  • 7.3 평가 디자인의 일반적 목표
  • 7.3.1 정확성
  • 7.3.2 커버리지
  • 7.3.3 신뢰도와 신뢰
  • 7.3.4 참신성
  • 7.3.5 의외성
  • 7.3.6 다양성
  • 7.3.7 강건성과 안정성
  • 7.3.8 확장성
  • 7.4 오프라인 추천 평가의 설계 문제
  • 7.4.1 넷플릭스 프라이즈 데이터 세트 사례 연구
  • 7.4.2 학습 및 테스트 평점 분류
  • 7.4.2.1 홀드 아웃
  • 7.4.2.2 교차 검증
  • 7.4.3 분류 설계와 비교
  • 7.5 오프라인 평가의 정확도 지표
  • 7.5.1 평점 예측의 정확도 측정
  • 7.5.1.1 RMSE 대 MAE
  • 7.5.1.2 롱테일의 영향력
  • 7.5.2 상관관계를 통한 순위 평가
  • 7.5.3 유용성을 통한 순위 평가
  • 7.5.4 수신자 조작 특성을 통한 순위 평가
  • 7.5.5 어떤 순위 측정 척도가 가장 좋은가?
  • 7.6 평가 측정 척도의 한계
  • 7.6.1 평가 조작 방지
  • 7.7 요약
  • 7.8 참고문헌
  • 7.9 연습 문제

  • 8장. 컨텍스트에 맞는 추천 시스템
  • 8.1 개요
  • 8.2 다차원 접근법
  • 8.2.1 계층 구조의 중요성
  • 8.3 컨텍스트 사전 필터링: 감소 기반 접근 방식
  • 8.3.1 앙상블 기반 개선 사항
  • 8.3.2 다단계 추정
  • 8.4 사후 필터링 방법론
  • 8.5 컨텍스트별 모델링
  • 8.5.1 이웃 기반 방법
  • 8.5.2 잠재 요인 모델
  • 8.5.2.1 인수분해 머신
  • 8.5.2.2 2차 인수분해 머신의 일반화
  • 8.5.2.3 잠재 파라미터화의 다른 적용 사례
  • 8.5.3 콘텐츠 기반 모델
  • 8.6 요약
  • 8.7 참고문헌
  • 8.8 연습 문제

  • 9장. 시간과 위치에 민감한 추천 시스템
  • 9.1 개요
  • 9.2 시간적 협업 필터링
  • 9.2.1 최신성 기반 모델
  • 9.2.1.1 감쇠 기반 방법
  • 9.2.1.2 윈도우 기반 방법
  • 9.2.2 주기적 컨텍스트 처리
  • 9.2.2.1 사전 필터링과 사후 필터링
  • 9.2.2.2 시간적 컨텍스트의 직접적인 포함
  • 9.2.3 시간 함수로서의 평점 모델링
  • 9.2.3.1 시간-SVD++ 모델
  • 9.3 이산 시간 모델
  • 9.3.1 마르코프 모델
  • 9.3.1.1 선택적 마르코프 모델
  • 9.3.1.2 다른 마르코프 대안
  • 9.3.2 순차 패턴 마이닝
  • 9.4 위치 인식 추천 시스템
  • 9.4.1 선호 지역
  • 9.4.2 여행 지역
  • 9.4.3 선호도와 여행 위치 조합
  • 9.5 요약
  • 9.6 참고문헌
  • 9.7 연습 문제

  • 10장. 네트워크의 구조 추천
  • 10.1 개요
  • 10.2 순위 알고리듬
  • 10.2.1 페이지랭크
  • 10.2.2 개인화된 페이지랭크
  • 10.2.3 이웃 기반 방법에 대한 응용
  • 10.2.3.1 소셜 네트워크 추천
  • 10.2.3.2 이종 소셜 미디어의 개인화
  • 10.2.3.3 전통적인 협업 필터링
  • 10.2.4 유사도랭크
  • 10.2.5 검색과 추천의 관계
  • 10.3 집단 분류에 의한 추천
  • 10.3.1 반복 분류 알고리듬
  • 10.3.2 랜덤 워크를 통한 레이블 전파
  • 10.3.3 소셜 네트워크에서 협업 필터링에 대한 적용성
  • 10.4 친구 추천: 링크 예측
  • 10.4.1 이웃 기반 척도
  • 10.4.2 카츠 척도
  • 10.4.3 랜덤 워크 기반 척도
  • 10.4.4 분류 문제로서의 링크 예측
  • 10.4.5 링크 예측을 위한 행렬 인수분해
  • 10.4.5.1 대칭 행렬 인수분해
  • 10.4.6 링크 예측과 협업 필터링 간의 연결
  • 10.4.6.1 협업 필터링에 링크 예측 알고리듬 사용
  • 10.4.6.2 협업 필터링 알고리듬을 사용한 링크 예측
  • 10.5 사회적 영향 분석 및 입소문 마케팅
  • 10.5.1 선형 임계값 모델
  • 10.5.2 독립 캐스케이드 모델
  • 10.5.3 영향 함수 평가
  • 10.5.4 소셜 스트림의 목표 영향 분석 모델
  • 10.6 요약
  • 10.7 참고문헌
  • 10.8 연습 문제

  • 11장. 사회와 신뢰 중심 추천 시스템
  • 11.1 개요
  • 11.2 사회적 맥락을 위한 다차원 모델
  • 11.3 네트워크 중심과 신뢰 중심 방법론
  • 11.3.1 신뢰 네트워크 구축을 위한 데이터 수집
  • 11.3.2 신뢰 전파 및 집계
  • 11.3.3 신뢰 전파가 없는 단순 추천 모델
  • 11.3.4 TidalTrust 알고리듬
  • 11.3.5 MoleTrust 알고리듬
  • 11.3.6 TrustWalker 알고리듬
  • 11.3.7 링크 예측 방법론
  • 11.3.8 행렬 인수분해 방법론
  • 11.3.8.1 로지스틱 함수의 개선
  • 11.3.8.2 소셜 신뢰 성분의 변형
  • 11.3.9 소셜 추천 시스템의 장점
  • 11.3.9.1 논란의 여지가 있는 사용자와 아이템에 대한 추천
  • 11.3.9.2 콜드 스타트의 유용성
  • 11.3.9.3 공격 저항
  • 11.4 소셜 추천 모델의 사용자 상호작용
  • 11.4.1 포크소노미 표현하기
  • 11.4.2 소셜 태깅 시스템의 협업 필터링
  • 11.4.3 의미 있는 태그 선택
  • 11.4.4 평점 행렬이 없는 소셜 태깅 추천 모델
  • 11.4.4.1 컨텍스트 민감 시스템을 위한 다차원 방법론
  • 11.4.4.2 순위 기반 방법론
  • 11.4.4.3 콘텐츠 기반 방법론
  • 11.4.5 평점 행렬을 사용한 소셜 태깅 추천 모델
  • 11.4.5.1 이웃 기반 접근법
  • 11.4.5.2 선형 회귀
  • 11.4.5.3 행렬 인수분해
  • 11.4.5.4 콘텐츠 기반 방법
  • 11.5 요약
  • 11.6 참고문헌
  • 11.7 연습 문제

  • 12장. 공격 방지 추천 시스템
  • 12.1 개요
  • 12.2 공격 모델의 트레이드 오프 이해
  • 12.2.1 공격 영향 계량화
  • 12.3 공격 유형
  • 12.3.1 랜덤 공격
  • 12.3.2 평균 공격
  • 12.3.3 밴드 왜건 공격
  • 12.3.4 인기 공격
  • 12.3.5 사랑/증오 공격
  • 12.3.6 역밴드 왜건 공격
  • 12.3.7 탐지 공격
  • 12.3.8 세그먼트 공격
  • 12.3.9 기본 추천 알고리듬의 효과
  • 12.4 추천 시스템에서 공격 탐지
  • 12.4.1 개인 공격 프로파일 탐지
  • 12.4.2 그룹 공격 프로파일 탐지
  • 12.4.2.1 전처리 방법
  • 12.4.2.2 온라인 방법
  • 12.5 강력한 추천 디자인을 위한 전략
  • 12.5.1 CAPTCHA를 사용한 자동 공격 방지
  • 12.5.2 사회적 신뢰 사용
  • 12.5.3 강력한 추천 알고리듬 설계
  • 12.5.3.1 클러스터링을 이웃 방법에 통합
  • 12.5.3.2 추천 시간 동안 가짜 프로파일 탐지
  • 12.5.3.3 연관 기반 알고리듬
  • 12.5.3.4 강건한 행렬 인수분해
  • 12.6 요약
  • 12.7 참고문헌
  • 12.8 연습 문제

  • 13장. 추천 시스템의 고급 주제
  • 13.1 개요
  • 13.2 순위학습
  • 13.2.1 쌍별 순위학습
  • 13.2.2 목록 순위학습
  • 13.2.3 다른 도메인에서의 순위학습 방법과 비교
  • 13.3 멀티암 밴딧 알고리듬
  • 13.3.1 나이브 알고리듬
  • 13.3.2 e-탐욕 알고리듬
  • 13.3.3 상계(신뢰상한) 방법
  • 13.4 그룹 추천 시스템
  • 13.4.1 협업 및 콘텐츠 기반 시스템
  • 13.4.2 지식 기반 시스템
  • 13.5 다중 기준 추천 시스템
  • 13.5.1 이웃 기반 방법
  • 13.5.2 앙상블 기반 방법
  • 13.5.3 전체 평점 없는 다중 기준 시스템
  • 13.6 추천 시스템의 능동적 학습
  • 13.6.1 이질성 기반 모델
  • 13.6.2 성능 기반 모델
  • 13.7 추천 시스템의 개인정보보호
  • 13.7.1 응축 기반 개인정보보호
  • 13.7.2 고차원 데이터에 대한 도전
  • 13.8 흥미로운 응용 분야
  • 13.8.1 포털 콘텐츠 개인화
  • 13.8.1.1 동적 프로파일러
  • 13.8.1.2 구글 뉴스 개인화
  • 13.8.2 전산 광고 대 추천 시스템
  • 13.8.2.1 멀티암 밴딧의 중요성
  • 13.8.3 상호 추천 시스템
  • 13.8.3.1 하이브리드 방법 활용
  • 13.8.3.2 링크 예측 방법 활용
  • 13.9 요약
  • 13.10 참고문헌

도서 오류 신고

도서 오류 신고

에이콘출판사에 관심을 가져 주셔서 고맙습니다. 도서의 오탈자 정보를 알려주시면 다음 개정판 인쇄 시 반영하겠습니다.

오탈자 정보는 다음과 같이 입력해 주시면 됩니다.

(예시) p.100 아래에서 3행 : '몇일'동안 -> 며칠동안