[Study] 신입 자라기 - 103

신입 자라기 103일 차, 화요일

Daily Routine

시간	Routine
8 : 30	기상
9 : 00 ~ 10 : 00	출근 시간
10 : 00 ~ 11 : 30	1. [리눅스] 솔루션 설치를 위한 쉘 스크립트 작성
11 : 30 ~ 12 : 30	점심 시간
12 : 30 ~ 18 : 00	1. [리눅스] 솔루션 설치를 위한 쉘 스크립트 작성
18 : 00 ~ 21 : 00	1. 퇴근 및 휴식
21 : 00 ~ 21 : 30	1. 프로그래머스
21 : 30 ~ 24 : 30	휴식
24 : 30 ~ 25 : 00	1. 블로그 포스팅

sudo -E

• 명령어를 실행할 때 사용자 환경 유지

sudo -E python3 a.py

---

출근길에 읽어보는 Tech Blog

https://tech.kakao.com/2021/06/25/kakao-ai-recommendation-01/

카카오 AI추천 : 토픽 모델링과 MAB를 이용한 카카오 개인화 추천

3줄 요약(아무튼 3줄)

1. 카카오 추천팀은 강화 학습 기반 프레임워크 MAB를 사용하는데, 해당 알고리즘들은 '실제 환경에서 목표 학습이 가능', 장기적인 보상 최적화시켜주는 탐색' 마지막으로 실시간성'이라는 장점이 있음.

첫 번째 실제 환경이란 추천 모델이 유저에게 아이템을 추천해주고 그 추천 결과를 클릭하였는지를 의미하며, 클릭을 했으면 강화 학습에서 이것은 Reward로 사용할 수 있습니다.

두 번째 장기적 보상을 최적화시켜주는 탐색이란 마르코프 결정 과정 하에서 누적 보상(Reward)을 최대화할 수 있도록 설계되었기 때문에 당장 눈앞의 보상 값이 높지 않더라도 미래의 보상을 높여줄 수 있다면 해당 행동(추천)을 선택합니다.

세 번째 실시간성은 첫 번째 추천 결과를 보여주고 사용자의 피드백(선택, 클릭)이 반영되어 다시 추천 결과로 나타나는 이러한 사이클에 드는 시간에 따라서도 클릭의 유의미가 다라지기 때문에 모델이 점진적으로 업데이트할 수 있습니다.

 

2. 추천이 제공되기 전에는, 즉 강화 학습 모델이 강화되기전에는 사전에 사용자와 아이템 간의 클릭 로그 기반으로 토픽 모델링을 진행합니다. 토픽 모델링이란, 하나의 문서 안에 다양한 주제가 있다고 가정하면 문서별로 속한 단어들을 가지고 문서가 각 주제에 대해 얼마나 속해 있는지를 계산하는 것인데,

이를 활용해서 개인화 추천에서의 토픽 모델링이란, 한 명의 사용자 또는 콘텐츠 안에 내포되어 있는 주제가 여러 개 있다고 가정하고, 사용자가 클릭한 로그가 각 아이템(단어)가 얼마나 속해 있는지를 계산하는 방법으로 사용되는 것을 말합니다.

 

2. 토픽 모델링과 MAB 알고리즘을 통해 개인화 추천을 제공하는 방법은 학습과 추천에 필요한 연상량이 상대적으로 적고 모델 크기도 작음