2019년 3월 31일 일요일

추천(Recommendation) 시스템 - 알고리즘 Trend 정리

추천 알고리즘의 트랜드를 시계열로 정리해 보았습니다.
여기에서 언급된 년도는 논문 년도라기 보다는 산업계에서 주로 유행했던 시점에 대한 개인적인 추정치 년도 입니다.

언급하고 있는 알고리즘 또한 학계에서 유명한 알고리즘 보다는 산업계에서 주로 Production 에서 많이 사용되었던 알고리즘을 나열하고 있습니다. 예를들어, Netflix 는 Competition 에서 우승한 Accuracy 가 높은 복잡한 알고리즘이나, 가장 최신의 학계 SOTA 알고리즘을 사용하는 것이 아닌, 개인화와 최신성, 그리고, 100ms 이하의 빠른 서빙이 가능한, 그로부터 Accuracy 보다는 ABTest 에서 더 효율이 좋은, 기민한 알고리즘을 사용하고 있습니다. 그리고 무엇보다, 그날 그날 시시각각 User 의 미묘한 반응의 변화에 Model 이 즉각적으로 개인화 진화 가능하도록 하는 Realtime Lambda 아키텍처 + 원순환 Continuous 진화 Serving 이 가능한 Simple 한 Model 을 이용하여 추천을 하고 있습니다. ( 2018년 Spark + AI Summit at Sanfrancisco 발표 내용 참고 )

본 글에서 소개 드리는 추천 알고리즘은 모든 도메인에 사용 가능한 범용적인 추천 알고리즘은 아닐 수도 있습니다. 하지만, 다양한 추천 알고리즘 접근 방식 및 각각의 장단점을 이해하여, 사고의 넓이를 키우자는 입장에서 전반적인 Trend 를 나열해 보았습니다. 혹시 제가 언급하지 못한 중요 Approach 가 있거나, 제가 잘못 이해하고 있었던 부분이 발견된다면, 언제든 컴멘트 부탁드립니다.

(1) 10년 ~ 15년 전에는 Apriori 알고리즘. 대표적인 연관 상품 추천 알고리즘.

-> 현재는 현업에서 거의 쓰이고 있지 않지만, Confidence , Support , Coverage , Lift 등의 추천 관련 용어를 이해함에 있어, 교과서적인 지식을 주는 알고리즘.

(2) 5~10년 전에는 Apriori 다음으로 Collaboration Filtering

-> 2010년도 이후, 상당기간 거의 추천의 표준으로 자리 메김.
-> 손쉬운 구현체 많음.
-> User Base , Item Base , Contents Base, 혹은 복수개의 결합. etc…
-> T-Store 추천 시스템 관련 이야기가 있는 아래 Blog 추천. 좀 오래된 블로그인데, 그만큼 옛 방식이기 때문 임.
-> 아래는 CF on Spark 에 관한 spotify 의 Approach
-> spotify 는 이후 song2vec 등 다양한 시도로 좀더 진화 함. (item2vec 항목에서 재 언급)

(3) 4 ~7년 전에는 FPGroth . Apriori 의 BigData  버전

-> Spark ML 라이브러리에 구현되어 있으며, Apriori 와 거의 동일한 Input 과 Output 을 보이지만, 계산 속도 및 BigData Scale 병렬처리에 있어 훨씬 더 효과적인 알고리즘.
-> 이로부터 Output 이 Apriori 와 거의 동일하지만, 대용량 Data 를 통한 커버리지 개선 및 최신성이 개선 되어 결과론적으로 ABTest Score 를 향상 시키는 것이 가능해짐.

(3.5) 4 ~ 5년 전에는 Collaboration Filltering + Deep Learning  혹은 유사 Approach

-> 모두의 연구소에서 정리한 버전. 크게 성공한 방식은 별로 없음.

(4) 3~5년 전에는 Matrix Factorization

-> ALS, SGD 가 많이 쓰이며, 모두 Spark ML 에 구현되어 있어, BigData Scale Approach 에서도 많이 사용 되었음.
-> 나온지는 좀더 오래되었지만, Mahout 과 Spark ML 에 구현되면서 BigData 와 결합 가능한 알고리즘으로서 3~5년 전에 더 유행 하였음. (개인적인 경험으로, 정말 Big한 Data 에서는 Spark ML 보다 Mahout Hadoop 버전이 좀더 안정적 이었음.)
-> 특히 Netflix 추천 Competition 에서 가장 우수한 알고리즘으로 알려지면서 유명세를 탓던 알고리즘이기도 하다. ( ps. 뒤에 Factorization Machine 이 나오는데, MF에 비하여 좀더 Sparse 한 Matrix 에서 유용하다.)

(5) 2~4년 전에는 Item2Vec + CF

-> Doc2Vec , User2Vec , Item2Vec 등을 CF 에 결합하면, Un Seen Feature 에 대하여 좀더 강건해 짐.
-> Doc2Vec 은 상품상세 Text 나 댓글, Search Engine Tag 등을 이용하여 구성 가능. 이후 Doc => Item 으로 치환하고, 카테고리, 제목, 이미지Search Simillarity Score 등을 동원하여, Item2Vec 을 만들어 낼 수 있음.
-> Microsoft 사의 Market 상품 추천에 사용된 바 있음.
-> MS의 원 논문에서 파생되어 다양하게 응용되어 사용되고 있음.
-> [관련 블로그] https://brunch.co.kr/@goodvc78/16
-> 예, item2vec : 아프리카TV에서 Live 방송을 벡터화.
-> song2vec : Spotify(음원 스트리밍)에서 플레이리스트로 노래를 벡터화. ( <- 개인적으로 드는 생각. 추천되는 목록에서 사용자가 Skip 또는 Listen 행위를 할 때. Vector 공간에서 방향성을 + 혹은 - 함으로써, 더 원하는 취향의 노래를(실시간으로 지금 딱 이순간에 맞게) 찾아 들어가는 취지에서…. 음원 서비스 추천에 매우 적합할 듯한 느낌. Word2Vec 이 그러하듯이 Song2Vec 또한 수백차원의 방향성 벡터 공간일 수 있으므로...) 
( word2vec 이 그러하듯, 복수의 차원에서 공간적으로 +, - 연산을 통해 수백차원의 공간 내부를 특정하여, 해당 위치 근처의 음원들에 대하여, cosign similarity 순 정렬을 빠르게 해 올 수 있음. )
(가수와 장르, 남성, 여성, 혼성, 듀오, 년도 등등이 모두 공간 차원 요소일 수 있음.)

-> meta-pro2vec : Criteo(개인화 광고)에서 상품을 벡터화.

(6) 2~3년 전에는 You-tube Recommendation 스타일 Deep Learning Approach

-> 사실 딥러닝 보다도 You-tube 는 머문시간으로 Measure 를 바꾼 것 자체가 보다 큰 성공 요인이었음.
-> 딥러닝으로 추천을 바라보는 Bible 격 논문.
-> 시간없으신 분들은 이거라도…
-> 유튜브 알고리즘에 대한 다양한 인문학적 고찰 https://www.bloter.net/archives/301890

(7) 1~3년 전부터 Wide & Deep Model

-> 구글 Play스토어의 추천에 사용되면서 높은 효율 개선 이력을 보인 알고리즘으로 알려지면서, 유명세를 탔음.
-> 추천이 아닌 예측 문제에서도 유용함. (마치 Factorization Machine 처럼...)
-> Cold Start Problem 에 대하여 좀더 능동적으로 대처하고, Memorization (wide)에 의존성을 덜 받기 위한 Generalized 가 가미된 방식(deep).
-> 여기서 시사점. 단건 단건 접근하여 Merged 된 Model 을 Wide Model 이라고 할때, 좀더 Generalized 된 Deep Model 은, User 의 Minimal 한 정보만으로도 다양하게 추천이 되는, 그로부터 Sparse 한 부분까지를 유추해 내는 효과를 주지는 않을 런지… ( 이런 효과는 뒤에서 언급되는 Factorization Machine 에서도 언급 됨.)
-> [조대협님이 정리한 코드가 있는 블로그] https://bcho.tistory.com/tag/wide%20and%20deep%20model

(8) 1~2년 전부터 개인화 추천이 뜨면서 다시 각광 받는 Factorization Machine. (논문은 사실 좀 오래 되었음.)

-> 특히 Big Sparse Matrix 일때 유리.  
-> 특히, (6),(7)의 모델이 Inference 및 Serving 에서 극한의 Engineering 작업을 필요로 하고, BigData Lambda 아키텍처 + Deep Learning Continuous Training 을 통하여 실시간성을 부여하는데 Engineering 복잡도 크게 증가하는 단점을 보여, 단순한 Approach 로 개인화를 구현함에 있어서 상대적으로 Factorization Machine 이  다시금 각광을 받음.
-> 기존 스타일의 추천 Legacy Approach 및 Legacy Search Engine 과 결합하여, 뒷 Layer 로서, 개인화 랭킹을 추가하는 용도로도 많이 쓰임.
-> 기존 검색엔진의 Output에 Factorization Machine 을 적용하면, 개인화 re-Ranking 을 할 수 있음.
-> 복수의 모델의 Output 을 Mash-Up 함에 있어, 모델(영역)을 Factorization Machine 과 결합하면, 개인화된 담벼락을 얻을 수 있음. ( amazon 첫페이지나 You-tube 첫페이지 처럼)
-> 룰엔진의 결과에 적용 시 Rule Engine + 개인화 Re-Ranking 형태로 손쉽게 개인화 추천 적용 가능.
-> 모델별 개별 접근의 결과가 개인별로 있는 경우, 특정 이력이 전혀없어 Sparse 한 부분을 Factorization Machine 으로 보완하는 경우, 개별 모델로 부터 General 모델을 파생하는데 도움이 될 수 있음.
-> Factorization Machine 은 다양한 구현체가 있음. 특히, AWS 에는 SageMaker 안에 PaaS 위에서 돌아가는 손쉬운 Library 수준의 Service 구현체가 있어( Code Snippet 이라 SaaS 라고 하기에는 무리가 있음) 빠르게 자사의 데이터로 Training 및 Serving 할 수 있음.
-> 개인적으로 가지고 있는 Jupyter Notebook 소스코드가 있으므로, 필요하신 분은 요청 주세요.
-> 아래는 정리가 잘 되어있는 Hands On Lab 예제.
-> [HOL] https://cloud.hosting.kr/techblog_180709_movie-recommender-with-factorization-machines/

(8.5) Matrix Factorization 과 Factorization Machine 과의 차이점.

-> MF와 FM의 차이점을 간단하게 써 놓은 글.

Key 내용은 아래와 같다.

So compared to Matrix Factorization, here are key differences:
  1. In recommended systems, where Matrix Factorization is generally used, we cannot use side-features. Ex for a movie recommendation system, we cannot use the movie genres, its language etc in Matrix Factorization. The factorization itself has to learn these from the existing interactions. But we can pass this info in Factorization Machines
MF는 유저-상품 데이터만 가지고, 숨겨진 정보들(side-features, latent feature -> 상품카테고리, 검색어, 이전에 본 상품 등등등) 을 표현(학습) 하는 알고리즘이라,입력 데이터로 유저-상품(클릭 여부) 만 사용 가능. 하지만 FM에서는 이러한 side-feature들을 직접 입력으로 넣어서 학습이 가능하다.
  1. Factorization Machines can also be used for other prediction tasks such as Regression and Binary Classification. This is usually not the case with Matrix Factorization
FM은 MF보다 더 일반적이고 확장된 모델이여서, 추천 뿐만 아니라 회귀나 이진분류 와 같은 다양한 ML에서도 사용 가능하다.(MF는 불가능)

Just some extension to Dileep's answer.
If the only features involved are two categorical variables (e.g. users and items) then FM is equivalent to the matrix factorization model. But FM can be easily applied to more than two and real valued features.

FM의 가장 큰 장점은 이렇듯 기존 user,item 외에 2개이상의 feature들을 실제로 사용 할 수 있다는 부분.

(9) 최근. 개인화 추천. ( 2017 re-invent By Amazon )

-> Amazon 이 사용하였으나, 크게 알려지진 않은 Deep Learning Base 개인화 추천 알고리즘.
-> 그 이전에 Amazon 도 Factorization Machine 을 썼다는 이야기가 나옴.
-> 어떻게 추천이 Deep Learning 으로 진화 되었는지 시계열적인 설명을 하고 있음.
-> 최종 DSSM 버전은 Google 의 You-tube Recommendation 과도 유사. 다양한 Feature 의 Embedding Vector 를 Concat 하여 Neurual Network 에 넣었다는 것이 핵심. 그래서 사실 You-Tube 의 그것보다 그다지 새롭지는 않음.

-> 최종 버전의 소스코드 및 PaaS/SaaS 서비스가 Open 되지는 않았으나, 일부는 github 에 spark + mxnet + gluon 버전의 코드가 부분 공개되어 있음.

(10) 최근. 개인화 추천. Hierarchical RNN ( 2018 re-invent By Amazon )

-> 2018 re-invent 행사에서 Amazon 이 알파버전을 PaaS/SaaS 개인화 추천 서비스로 공개하여, 주목받음. 
-> 아직 알파버전이라 당장 사용해볼 수는 없으나, github 에 위 논문 저자가 올린 공개 버전 코드가 있음.
-> [구현체] 저자의 구현체 공개버전 : https://github.com/mquad/hgru4rec

(11) 최근. 개인화 Re-Ranking. (개인화 Reinforcement Learning Re-Ranking By 알리바바)

-> 개인화 re-Ranking 에 Reinforcement Learning 이용.
-> 아카데믹하게 알려진 논문은 아니지만, 타오바오와 알리바바의 사례를 담고있는 논문이라, 매우 현실적인 접근이며, 의미있는 새로운 Approach 임.
-> Factorization Machine 과 마찬가지로, 기존 Legacy 추천 시스템 뒤에서, 혹은 복수개의 모델의 개인화 노출 순서를 정하는 부분, 혹은 Search 엔진 뒤에서 개인화를 구현하는데, 적합.

(12) Deep Learning 기반 최신 추천시스템 동향 관련 Survey 논문

댓글 104개:

  1. 매우 큰 도움이 되었습니다. 감사합니다.

    답글삭제
  2. 잘 봤습니다. 감사합니다.

    답글삭제
  3. 추천 시스템 알고리즘에 대해서 공부하고 있습니다. 혹시 jupyter notebook으로 된 Factorization Machine 소스코드 요청드릴 수 있을까요!!

    답글삭제
  4. 개발자님 Factorization Machine 소스코드 요청 될까요!

    답글삭제
  5. 정리 잘 해주셨네요!! 잘 지내시죠 ㅎㅎ HRNN은 AWS에서 SAAS로 된 Amazon Personalized의 메인알고리즘중 하나죠! AutoML로 돌리니까 hRNN로 추천하더라구요. 저희도 POC로 실데이터로 테스트 해봤습니다!
    진짜 추천은 요즘 알리바바가 대세인듯 합니다. graph embedding을 응용한 https://arxiv.org/pdf/1803.02349.pdf 이 논문으로 embedding을 만들어서 트랜스포머를 응용한 https://arxiv.org/pdf/1905.06874.pdf 논문으로 구현하고 있어요! 다만.. 저희 환경에서 서빙이 힘들뿐.. 힘듭니다 ㅋㅋ

    답글삭제
  6. 개발자님 Factorization Machine 소스코드 요청합니다!

    답글삭제
  7. 개발자님 Factorization Machine 소스코드
    dltmvls333@naver.com 으로 보내주실 수 있나요??
    좋은 글 잘봤습니다.

    답글삭제
  8. 작성자가 댓글을 삭제했습니다.

    답글삭제
  9. 안녕하세요 개발자님! 유용한 정보 감사드립니다.
    저도 Factorization Machine 관련 코드 요청드립니다.
    socheon1130@gmail.com으로 보내주시면 감사하겠습니다 :)

    답글삭제
  10. 좋은 정보 너무 감사드립니다.
    Factorization Machine 관련 코드에 대해 요청드리고 싶습니다.
    ljhw2000@gmail.com으로 보내주시면 감사하겠습니다 :)

    답글삭제
  11. 작성자가 댓글을 삭제했습니다.

    답글삭제
  12. 안녕하세요 개발자님
    다름이아니라 Fatorization Machine 관련 코드 요청드리고 싶습slek!
    uhs2000@naver.com으로 보내주시면 정말 감사하겠습니다!!

    답글삭제
  13. 안녕하세요. 글이 정리가 잘되어서 큰 도움이 되었습니다. 혹시 Fatorization Machine 코드 요청드릴 수 있을까요? 제 이메일은 pippisgoing@gmail.com 입니다. 감사드립니다^^

    답글삭제
  14. 추천시스템에 대해서 공부하던 와중에 좋은 글을 보게되어서 큰 도움이 되었습니다.
    혹시 Factorization Machine관련 코드를 요청드릴수 있을까요??
    qkr294@gmail.com 으로 보내주시면 감사하겠습니다 ^^

    답글삭제
  15. 안녕하세요 좋은 글 감사드립니다. 추천시스템 대략적인 개념에 대해서는 어느정도 이해가 잡혀가는데
    실습량이 부족해 아직 개념이 완성되지 않은 것 같습니다.
    Factorization Machine 관련 소스코드 요청드려도 될까요?
    psj419777@gmial.com 으로 보내주시면 감사하겠습니다

    답글삭제
  16. 안녕하세요, 딥러닝으로 추천시스템을 구현해보고 싶었는데 이렇게 가이드라인을 알려주셔서 너무 감사합니다! 혹시 Factorization Machine 소스코드를 받아볼 수 있을까요?
    kss1728@hanmail.net으로 보내주시면 감사하겠습니다!!

    답글삭제
  17. 안녕하세요! 글 정말 잘 읽었습니다! Factorization Machine 소스코드 요청드려도 될까요?
    njisu0610@gmail.com으로 보내주시면 정말 감사하겠습니다!

    답글삭제
  18. 안녕하세요 혼자 machine learning 공부를 하고 있는 대학생입니다. 혹시 Factorization Machine 소스코드를 보내주실수 있으신가요? 괜찮으시다면 dns02023@naver.com 으로 보내주시면 정말 감사하겠습니다.

    답글삭제
  19. 큰 도움이 되었습니다. 감사합니다 :)

    답글삭제
  20. 안녕하세요, 머신러닝 딥러닝 독학중인 직장인입니다. 혹시 Factorization Machine 코드를 받아볼 수 있을까요? paeuky55@naver.com으로 보내주시면 감사하겠습니다 :)

    답글삭제
  21. factorization machine 코드 받아볼 수 있을까요?
    alstjq3@snu.ac.kr 입니다!

    답글삭제
    답글
    1. 많은 도움 되었습니다! 감사인사를 빠뜨렸네요

      삭제
  22. 안녕하세요 글이 너무 잘 정리되어 있어서 많이 배우고 갑니다.

    혹시 factorization machine코드 받을 수 있을까요?

    감사합니다.

    lisahalala@naver.com입니다.

    답글삭제
  23. 안녕하세요 ! 딥러닝을 공부하고 있는 대학생입니다. 지금은 간략하게 글들을 읽어 보았는데 다양한 딥러닝 방법들을 볼 수 있어서 좋았습니다. 좋은 자료 감사합니다. Factorization machine 코드를 받아볼 수 있을까요? 보내주시면 감사하겠습니다! khm4188@naver.com 입니다.

    답글삭제
  24. 안녕하세요! 딥러닝 추천시스템에 관심 많은 대학원생입니다. Factorization machine 구현 코드를 받을 수 있을까요? 감사합니다. kka960602@gmail.com

    답글삭제
  25. 안녕하세요! 좋은 글 보고 많이 배웠습니다 감사합니다. Factorization machine 구현 코드도 꼭 한 번 보고 싶습니다 jangmung1234@naver.com 감사합니다.

    답글삭제
  26. 안녕하세요~ 추천시스템을 독학하는 직장인입니다. 저역시 Factorization machine 코드를 받을수 있을지 여쭤봅니다.감사합니다! bokhyunjoon@gmail.com

    답글삭제
  27. 안녕하세요. 감사합니다. Factorization machine 코드를 받고 싶습니다! turbok2@nate.com

    답글삭제
  28. 안녕하세요! 좋은 글 감사합니다! Factorization machine 코드를 받고 싶습니다! seongyoonk25@gmail.com

    답글삭제
  29. 좋은 자료 공유해주셔서 감사합니다. 공부를 위해 Factorization machine 코드를 분석해보고 싶습니다. 코드를 공유해주시면 감사하겠습니다.
    wnsghek31@naver.com

    답글삭제
  30. 작성자가 댓글을 삭제했습니다.

    답글삭제
  31. 매우 좋은 자료 공유해주셔서 감사드립니다. Factorization machine 코드를 분석해보고 싶습니다. 혹시 공유가능하실런지요? kmg0803@gmail.com으로 부탁드립니다. 감사합니다.

    답글삭제
  32. 좋은 자료 정리해주셔서 감사합니다.
    Factorization machine 코드르 받고싶습니다. wkp4318@naver.com 로 부탁드립니다.

    답글삭제
  33. 안녕하세요! 저도 좋은 자료 공유해주셔서 너무 감사드립니다!
    저도 가능하면 아래 이메일로 Factorization machine 코드를 받고 싶습니다.
    jungketer@gmail.com
    감사합니다:)

    답글삭제
  34. 작성자가 댓글을 삭제했습니다.

    답글삭제
  35. 추천 시스템의 계보를 정리하다가 검색 중에 선행 작업을 발견하여 시간을 많이 절약하였습니다.
    너무나도 감사드립니다. FM 소스를 저도 요청드려도 될까요?
    resetmatrix(at)gmail.com 입니다. 감사합니다.

    답글삭제
  36. 이좋은글 이제 봤네요.
    저도 FM 소스 요청드립니다.
    alasheep@gmail.com
    감사합니다.

    답글삭제
  37. 너무 정리잘된 훌륭한 글입니다
    FM 소스코드 부탁드립니다
    up2you@naver.com
    입니다

    답글삭제
  38. 양질의 정보 정말 감사드립니다.

    추천시스템을 공부하는 대학원생 추린이입니다. 혹시 괜찮으시면 factorization machine 코드를 요청드려도 될까요? ㅠㅠ

    khrock1@naver.com입니다!

    답글삭제
  39. 안녕하세요. PoC로 추천시스템 고민 중에 있습니다.
    정말 잘 정리된 블로그에 놀랐습니다.
    괜찮으시면 FM 코드 부탁드려도 될까요?
    sonjh75@nate.com 입니다.

    답글삭제
  40. 작성자가 댓글을 삭제했습니다.

    답글삭제
  41. 안녕하세요. 좋은 정보 정말 감사드립니다.
    추천 시스템을 공부하는 직장인입니다만, 괜찮으시다면 FM 코드를 부탁 드려도 될지요?
    heejae0712@gmail.com입니다.
    감사합니다.

    답글삭제
  42. 안녕하세요 ! 글 너무 잘 읽었습니다!
    공부하는데 도움이 될 것 같아서 혹시 FM코드 부탁드려도 될까요!
    감사합니다!
    allindata96@gmail.com 입니다!

    답글삭제
  43. 안녕하세요 유익한 정보 많이 배우고갑니다. 현재 추천시스템 프로젝트를 진행중에 있는 학부생인데 FM코드 부탁드려도 될까 조심히 댓글 남깁니다! etotmetotm1234@gamil.com 입니다! 감사합니다!

    답글삭제
  44. 안녕하세요.
    추천 시스템 이해하는데 매우 도움이 되는 포스팅입니다.
    FM 코드 부탁드립니다.
    chans2@naver.com

    답글삭제
  45. 작성자가 댓글을 삭제했습니다.

    답글삭제
  46. 안녕하세요! 잘 보고 갑니다. 혹시 FM 코드 부탁드려도될까요? goodgpt@naver.com 입니다!

    답글삭제
  47. 안녕하세요 추천 시스템 관련하여 많이 배우고 갑니다! 저도 factorization machine code 공유 부탁드려도 될까요? juh04247@gmail.com으로 부탁드립니다~

    답글삭제
  48. 작성자가 댓글을 삭제했습니다.

    답글삭제
  49. FM 코드가 필요한 이유가 무엇이길래 이렇게 달라고 하는 사람들이 많은지 모르겠네요 ㄷㄷ

    답글삭제
  50. factorization machine 을 이용해서 개인화 추천을 분석중인데 코드 공유해주시면 감사하겠습니다.~ xuangui95@naver.com 입니다.

    답글삭제
  51. 좋은 글 감사합니다. FM 코드 공유해 주실 수 있을까요? dysh1017@naver.com 입니다.

    답글삭제
  52. 작성자가 댓글을 삭제했습니다.

    답글삭제
  53. 너무 좋은 포스팅 감사합니다. 혼자 정리하고있었는데.. 정리 수준에 감탄하고갑니다.

    혹시 Factorization Machine 소스코드 공유 가능하면 부탁드립니다.!
    ( jhseo3backup@gmail.com )

    답글삭제
  54. 항상 좋은 글 감사합니다!
    혹시 Factorization Machine 소스코드 공유 가능하면 부탁드립니다.
    (b970311@yonsei.ac.kr)

    답글삭제
  55. 안녕하세요!
    추천시스템 관련 정보 많이 얻어갑니다.
    Factorization Machine 소스 코드 공유해주시면 감사하겠습니다.
    eddyzzang@gmail.com입니다.

    답글삭제
  56. 안녕하세요. 독학하는 중인데 이 글이 큰 도움이 됐습니다! Factorization Machine 소스도 보고 공부해보고싶은데 가능하시다면 tjs531@naver.com 으로 공유 부탁드려요. 감사합니다:)

    답글삭제
  57. 안녕하세요. 독학하는 중인데 이 글이 큰 도움이 됐습니다! Factorization Machine 소스도 보고 공부해보고싶은데 가능하시다면 tjs531@naver.com 으로 공유 부탁드려요. 감사합니다:)

    답글삭제
  58. 안녕하세요. 독학하는 중인데 이 글이 큰 도움이 됐습니다! Factorization Machine 소스도 보고 공부해보고싶은데 가능하시다면 tjs531@naver.com 으로 공유 부탁드려요. 감사합니다:)

    답글삭제
  59. 안녕하세요! 독학 중인 학생입니다! 이 소스 보고 꼭 공부하고싶습니다! 가능하시면 shw06037@naver.com으로 공유 부탁드려도 될까요..? 감사합니다 :>

    답글삭제
  60. 안녕하세요! 추천시스템 관련 정보 많이 얻어갑니다.
    Factorization Machine Jupyter Notebook 소스코드 공유해주시면 감사하겠습니다.
    wnsgh5508@naver.com입니다.

    답글삭제
  61. 안녕하세요. 좋은글로 많은 정보 가져갑니다. Factorization Machine 관련 소스코드 공유해 주시면 감사하겠습니다. yunjinchoi89@gmail.com 감사합니다.

    답글삭제
  62. 안녕하세요, 정말 도움이 많이 되네요, FM Jupyter Notebook 소스코드 공유해주시면 감사하겠습니다!!
    pysak314@gmail.com 입니다.

    답글삭제
  63. 안녕하세요 잘읽었습니다 감사합니다.
    저도 Factorization Machine 소스코드를 보내주실수 있으신가요? 괜찮으시다면 jeong.jihye8810@gmail.com 으로 보내주시면 정말 감사하겠습니다.

    답글삭제
  64. 안녕하세요~ 정리가 잘 되어있어 많은 도움 얻었습니다!혹시 Factorization Machine 소스코드 공유 가능하면 부탁드립니다. judy5027@naver.com

    답글삭제
  65. 안녕하세요! 추천시스템 공부하고 있는 개발자입니다. 추천시스템 전반적인 흐름을 정리 잘해주셔서 이해가 잘가네요. 좋은 자료 감사합니다. 실례가 안된다면 저도 Factorization machine 코드를 받아볼 수 있을까요? 보내주시면 감사하겠습니다! meongeun7@gmail.com 입니다.

    답글삭제
  66. 작성자가 댓글을 삭제했습니다.

    답글삭제
  67. 안녕하세요! 글 정말 잘 읽었습니다. Factorization machine 코드를 받을 수 있으면 좋겠습니다.
    감사합니다!!
    aeddung@gmail.com 입니다.

    답글삭제
  68. 작성자가 댓글을 삭제했습니다.

    답글삭제
  69. 안녕하세요. 추천시스템을 고민하다 님의 친절한 정리 글을 읽고 방향성을 찾은 것 같아 감사의 인사 드립니다. 정말로 많은 도움이 되었어요. 혹시 가능하시다면 저도 factorization machine 코드를 받아볼 수 있을까요? 제 이메일 계정은 black2play@naver.com 입니다

    답글삭제
  70. 안녕하세요. 추천 시스템 검색으로 님의 블로그에 들어오게 되었습니다. 정리가 잘되있어서 많은 정보 얻어갑니다. 정말 감사합니다. 혹시 FM코드 받아볼 수 있을까요? 저에게 정말 큰 도움될 것 같습니다. 오늘 좋은 하루 보내세요!!
    jk01168@hanmail.net

    답글삭제
  71. 작성자가 댓글을 삭제했습니다.

    답글삭제
  72. 독학중이라 정보가 많이 없는데 좋은글 너무 감사드립니다.
    혹시 FM 코드 공유가 가능하신지 궁금합니다.
    이메일은
    jihyeon001@naver.com
    입니다. 감사합니다.

    답글삭제
  73. 추천시스템 발전의 개요를 한 눈에 볼 수 있는 좋은 글 감사합니다.
    덕분에 많은 도움이 되었습니다.
    Factorization machines 주피터 노트북 코드를 요청해도 될까요?
    보내주신다면 제 이메일은 ta57xr@naver.com입니다.
    감사합니다! 좋은 하루 되세요.

    답글삭제
  74. 추천시스템 관련해서 여러자료 검토해 보았는데 전체적으로 정리된 자료 감사합니다.
    가능하시다면 저도 FM 코드 공유 부탁드려도 될까요?
    sbhjk00@gmail.com 입니다.
    감사합니다~

    답글삭제
  75. 안녕하세요! 좋은글 올려주셔서 정말 감사합니다.
    덕분에 추천 알고리즘의 흐름에 대한 이해가 많이 되었습니다.
    혹시 실례가 안되신다면 FM 코드를 아래 이메일로 공유해주실수 있으실까요?

    dmatnals5@gmail.com 입니다.

    감사합니다.

    답글삭제
  76. 안녕하세요 정리 잘 해주셔서 많은 도움이 되었습니다. 저도 FM 코드 공유 부탁드려도 될까요? kimsse0430@gmail.com입니다.

    답글삭제
  77. 안녕하세요! 혹시 FM 코드 공유 될까요..? 미리 감사합니다.
    brothers12@naver.com 입니다!

    답글삭제
  78. 안녕하세요~!! 딥러닝 추천공부중인데 너무 도움이 되었습니다. 저도 FM코드 공유 받을 수 있을까요?mhy2000s@gmail.com 입니다.

    답글삭제
  79. 안녕하세요 글 잘 읽었습니다! 추천시스템에 관해 공부하고 있어서 FM 코드 공유 부탁드립니다.
    yeseuljeong77@gmail.com 입니다 감사합니다

    답글삭제
  80. 안녕하세요 좋은 글 잘 읽었습니다 FM 코드 공유 부탁드립니다
    dhzl0070@gmail.com입니다 감사합니다

    답글삭제
  81. 안녕하세요. 공부하던중 막막했는데
    도움되는 좋을 글을 올려주시고 공유해주셔서 정말 감사합니다.
    FM 코드 공유 부탁드립니다.
    hyejjung72@gmail.com 입니다.

    답글삭제
  82. 안녕하세요, 글 너무 잘 읽었습니다!
    추천시스템을 공부하던 중, 너무 막막했는데
    정말 큰 도움 되었습니다!
    FM 코드 공유 부탁드립니다.
    hanaluana23@gmail.com 입니다.

    답글삭제
  83. 안녕하세요, 추천알고리즘 트렌드를 자세히 알 수 있는 글 감사합니다.
    이건 이때쯤 유행하지 않았니, 하고 아는체 할 수 있을 것 같네요ㅎㅎ
    지금 실무에 적용해보려고 FM 공부중인데 코드 공유 부탁드려도 될까요?
    boraelle@naver.com 입니다.
    아직 댓글 확인하고 계신지 모르겠지만, 만약 보고 계신다면 부탁드립니다 :)

    답글삭제
  84. 안녕하세요 딥러닝을 공부하고있는 학생입니다.
    최근 추천알고리즘을 공부하게되면서 FM에 대해서 관심을 갖게되었습니다.
    코드적인 부분에서 FM을 공부하려 하는데 혹시 실례가 되지않는다면
    코드 공유를 부탁드려도 될까요??
    메일은 macosc0625@gmail.com입니다.
    무리한 부탁을 드렸다면 죄송합니다.

    답글삭제
  85. 안녕하세요. 포스팅 잘 보았습니다. 많은 도움이 되었습니다.
    FM 코드 공유 부탁드려도 될까요? kimgibum90@gmail.com 입니다.
    감사합니다.

    답글삭제
  86. 안녕하세요
    포스팅한 내용으로 인해 만은 도움이 되었습니다
    추천시스템 연구중 요새 Facotorization Machine에 관심이 많이 가고있어서,
    코드 공유 부탁드리려 합니다.
    부탁드립니다. 감사합니다.
    glxnjainu@naver.com

    답글삭제
  87. 안녕하세요
    글 잘 읽었습니다.
    추천시스템 연구에 FM이 관련되어 있는 경우가 있어서, 코드 공유를 부탁드리려고 하는데 괜찮으실까요?
    shonyk88@gmail.com
    감사합니다.

    답글삭제
  88. 안녕하세요. 유익한 글 잘 읽었습니다! 추천시스템에 대해 공부하고 있는데 많은 도움이 되었습니다.
    혹시 Facotorization Machine코드 공유 부탁드려도 될까요..?
    qordptmf5@gmail.com 입니다.
    감사합니다.

    답글삭제
  89. 안녕하세요, 추천 시스템에 대한 좋은 정보 감사드립니다.
    실제 코드를 보면서 한번 공부해보려고 하는데 FM 코드 공유를 부탁드리고 싶습니다.
    kei99134.g@gmail.com입니다.

    감사합니다!!

    답글삭제
  90. 안녕하세요. 추천쪽 연구하는 학생입니다.
    좋은 정보 감사합니다. 내공이 느껴지시네요.
    FM 코드 공유를 요청드려도 될까요?
    kwonhmin777@gmail.com입니다. 감사합니다.

    답글삭제
  91. 안녕하세요. 추천쪽 연구하는 학부생입니다. ㅠㅠ
    좋은 정보 감사합니다.
    죄송하지만 FM 코드 공유를 요청드려도 될까요?
    smart0924@gmail.com입니다. 감사합니다.

    답글삭제
  92. 안녕하세요 추천쪽 연구하는 학생입니다 좋은글 너무감사합니다,
    저도 FM 코드 요청드려도 될까요 ??
    smart0924@gmail.com 입니다. 감사합니다.!

    답글삭제
  93. 안녕하세요! 좋은 글 너무 잘 읽었습니다! 감사합니다.
    저도 FM 코드를 공유받을 수 있을까요?
    rlqor968@gmail.com 입니다.
    감사합니다!

    답글삭제
  94. 안녕하세요 글 매우 도움이 되었습니다.감사합니다.
    저도 FM 코드를 공유받을 수 있을까요?
    xodus0706@gmail.com 입니다.
    감사합니다

    답글삭제
  95. 안녕하세요. 블로그 글 너무 감사합니다. 보실진 모르겠지만 FM 코드 공유해주시면 큰 도움이 될것 같습니다.
    holpraise83@gmail.com 입니다.
    감사합니다

    답글삭제
  96. 안녕하세요. 정말 많은 도움이 되었습니다. 추천 시스템을 연구하고 공부하는 데 정말 큰 길잡이가 될 거 같습니다. 저도 꼭 FM 코드를 공유 받고 싶은데, 가능하시다면 꼭 공유 해 주셨으면 좋겠습니다..

    apflzhfldk132@gmail.com 입니다.

    부탁드립니다. 감사합니다.

    답글삭제
  97. 안녕하세요. 추천시스템을 공부하게 되어서 여러 글 찾아보다 발견해서 추천시스템의 흐름에 대해 도움이 많이 되었습니다. FM 코드로 발전 한 것들이 몇가지 있어 FM을 좀 더 공부해보고 싶어서 FM 코드 공유 부탁드립니다.
    jik9210@gmail.com입니다.
    감사합니다.

    답글삭제
  98. 안녕하세요. 추천 시스템 공부에 도움을 받기 위해 FM 코드를 공유받을 수 있을지 여쭙고자 이렇게 댓글 남깁니다.
    klop9090@g.skku.edu
    이 주소로 공유주시면 정말 감사드리겠습니다.
    감사합니다.

    답글삭제
  99. 안녕하세요~! 추천시스템 공부중 정말 도움이 많이 된 블로그입니다. CF부터 순차적으로 코드구현중인데 FM hands-on은 이제 접속이 안되네요 ㅠㅠ FM 코드 공유 해주시면 너무 도움이 될것 같습니다.
    junyoung784@gmail.com
    공유 부탁드립니다~! 감사합니다.

    답글삭제
  100. 안녕하세요..!! 추천 알고리즘을 공부중에 있습니다..!
    FM 코드 공유받고싶습니다.
    m2appl.js@gmail.com
    입니다.
    공유해주시면 큰 도움이 될 것 같습니다..! 감사합니다.

    답글삭제
  101. 안녕하세요!
    Factorization Machine 관련 코드에 대해 요청드리고 싶습니다!
    nature6807@naver.com으로 공유 부탁드리겠습니다!

    답글삭제
  102. 안녕하세요! FM 코드 요청드립니다. mohandas3212@gmail.com

    답글삭제