2022-01-25-TIL
Today I Learned
CF
CF는 협업 필터링(Collaborative Filtering)의 약자로, 추천 시스템의 대표적인 방식이다. 아이템의 속성(장르, 감독 같은 메타데이터)을 직접 비교하는 콘텐츠 기반 필터링과 달리, 사용자들이 남긴 행동 기록(평점, 클릭, 재생)만 보고 비슷한 사용자와 비슷한 아이템을 찾는다. “나와 취향이 비슷한 사용자 B가 좋아한 영화라면 나도 좋아할 가능성이 높다”는 가정이다.
Google의 추천 시스템 강의는 협업 필터링이 사용자와 아이템 사이의 유사도를 동시에 사용한다는 점을 강조한다. 사용자 x 아이템 피드백 행렬을 행렬 분해(matrix factorization)하면 사용자와 아이템이 같은 임베딩 공간의 벡터로 표현되고, 두 벡터가 가까울수록 선호도가 높다고 본다. 사람이 특징을 손으로 설계하지 않아도 임베딩을 학습할 수 있다는 점이 장점이다.
- https://oper0815.github.io/recommendation/CF/
DTW
DTW(Dynamic Time Warping)는 두 시계열의 유사도를 재는 방법이다. 같은 모양의 신호라도 속도가 다르거나 시작 시점이 어긋나면, 같은 인덱스끼리 비교하는 유클리드 거리로는 멀게 나온다. DTW는 시간축을 늘리거나 줄여 두 시계열을 정렬(alignment)한 뒤, 정렬된 점들 사이 거리의 합이 최소가 되는 경로를 찾는다.
tslearn 문서의 정의를 보면 경로는 (0, 0)에서 시작해 (n-1, m-1)에서 끝나고, 각 단계에서 인덱스는 0 또는 1씩만 증가한다. 이 제약 덕분에 최적 경로를 동적 계획법으로 구할 수 있고, 원 논문(Sakoe, Chiba) 제목에도 동적 계획법이 들어 있다. 두 시계열 길이가 n, m이면 표를 n x m 칸 채우게 된다. 길이가 서로 다른 시계열도 비교할 수 있어서 음성 인식, 제스처 인식, 센서 데이터 비교에 쓰인다.
- https://hamait.tistory.com/862
Gather CPU Usage
Gather는 원격 팀이 가상 공간에 모여 대화하고 함께 일하는 가상 오피스 서비스다. 아래 링크는 Gather 기능 요청 게시판의 성능 개선 요청 글이다. 지금은 해당 페이지가 열리지 않는다.
- https://gathertown.canny.io/feature-requests/p/performance-improvements
댓글
아직 댓글이 없습니다