[python] 텐서플로우를 사용하여 추천 시스템 모델을 만들어보았나요?

07 Dec 2023

python

텐서플로우의 추천 시스템 구현에는 주로 협업 필터링(collaborative filtering)과 콘텐츠 기반 필터링(content-based filtering)을 사용합니다. 협업 필터링은 사용자의 구매 이력이나 평가 데이터를 기반으로 비슷한 취향을 가진 사용자들끼리 아이템을 추천하는 방식이고, 콘텐츠 기반 필터링은 아이템의 특성이나 속성을 분석하여 취향에 맞는 아이템을 추천하는 방식입니다.

아래는 텐서플로우를 사용하여 협업 필터링 기반의 추천 시스템 모델을 만드는 예시 코드입니다:

# 필요한 라이브러리 import
import tensorflow as tf
import numpy as np

# 데이터 로드
users = ["user1", "user2", "user3"]
items = ["item1", "item2", "item3"]
ratings = np.array([[5, 4, 3], [2, 3, 5], [4, 5, 2]])

# 모델 구성
num_users = len(users)
num_items = len(items)
embedding_dim = 10

user_input = tf.keras.layers.Input(shape=(1,), dtype=tf.int32)
item_input = tf.keras.layers.Input(shape=(1,), dtype=tf.int32)

user_embedding = tf.keras.layers.Embedding(num_users, embedding_dim)(user_input)
item_embedding = tf.keras.layers.Embedding(num_items, embedding_dim)(item_input)

user_bias = tf.keras.layers.Embedding(num_users, 1)(user_input)
item_bias = tf.keras.layers.Embedding(num_items, 1)(item_input)

output = tf.keras.layers.Dot(axes=2)([user_embedding, item_embedding])
output = tf.keras.layers.Add()([output, user_bias, item_bias])
output = tf.keras.layers.Flatten()(output)

model = tf.keras.Model(inputs=[user_input, item_input], outputs=output)

# 모델 컴파일 및 학습
model.compile(optimizer='adam', loss='mse')
model.fit([ratings[:, 0], ratings[:, 1]], ratings[:, 2], epochs=10)

# 추천 예측
user_idx = 0
item_idx = 2

prediction = model.predict([[user_idx], [item_idx]])
print(f"User {users[user_idx]}에게 아이템 {items[item_idx]}을(를) 추천합니다. 예상 평점: {prediction[0]}")

이 코드는 간단한 협업 필터링 기반의 추천 시스템 모델을 구현한 것입니다. 데이터를 로드하고 사용자와 아이템을 임베딩한 뒤, 임베딩 벡터 간의 내적 결과에 사용자 및 아이템 편향을 더해 예상 평점을 구하고 있습니다.

텐서플로우를 사용하여 추천 시스템을 구현하는 방법에는 다양한 접근 방식이 있으며, 필요에 맞게 모델을 변경하거나 확장할 수 있습니다. 텐서플로우의 풍부한 기능과 라이브러리를 활용하여 다양한 추천 시스템 모델을 구현할 수 있습니다.

참고 문서: