Table of Contents

1. Movie Recommendation
2. 프로젝트 구조
3. 구현된 모델 목록
4. 기술 스택
5. How To Run

---

프로젝트 개요

• 사용자의 영화 시청 이력 데이터를 바탕으로 사용자가 다음에 시청할 영화 및 좋아할 Top-10 영화를 예측하는 프로젝트

• 평가 지표:

  

• 데이터

  • MovieLens 데이터를 implicit feedback으로 변형
  • test 데이터는 public: private=50: 50 으로 분할

• 랩업리포트

프로젝트 구조

.
├── README.md 
├── ensemble.py
├── requirements.txt
├── run_inference.py
├── run_train.py
└── src
    ├── configs
    ├── data
    ├── ensembles.py
    ├── loss.py
    ├── metrics.py
    ├── models
    ├── trainer.py
    └── utils.py

4 directories, 10 files

구현된 모델 목록

Collaborative Filtering

• Matrix Factorization
• AutoEncoder-based models AutoRec MultiVAE RecVAE

Sequential

• GRU4Rec

Context-Aware

• FM
• Wide and Deep
• DeepFM

기술 스택

팀원 소개

팀원	역할 및 담당
서동은	• EDA, ML modeling • BPR-MF, kNN/ALS, Bert4rec
신상우	• 베이스라인 코드 작성 • context-aware models(DeepFM), AE 기반 모델 구현 및 실험
이주연	• 베이스라인 코드 구성하기 • context-aware models(FM), AE 기반 모델 구현 및 실험
이현규	• EDA, ML modeling • RecVAE, Rule-based, Bert4rec 사용
이현주	• ML modeling, Hyper parameter tuning • GRU4Rec 기반 모델링
조성홍	• 베이스라인 코드 작성 • context-aware models(FM,DeepFM,WDN) 기반 모델 구현 및 실험