영화 예측

링크텍스트

Pathlib

• 파일 위치 찾기

• 파일 입출력

• 사용법

*파일 열기

import pathlib

path = pathlib.Path('test.txt')
file = path.open('r')

*파일 읽고 쓰기

import pathlib

# 읽기

path = pathlib.Path(' test.txt')
file = path.read_text()

# 쓰기

path = pathlib.Path('test1.txt')
path.write_text('파일쓰기')

*경로 분석

import pathlib

path = pathlib.Path('/user/path/to/file')

print(path)
print(path.parent)
print(list(path.parents))
print(path.parts)

*실행한 스크립트 폴더 경로 얻기

import pathlib

path = pathlib.Path.cwd()

*현재 위치한 파일/폴더 얻기

import pathlib

path = pathlib.Path('.')
files = path.glob('*')

print(list(files))

*현재 위치에서 존재하는 모든 파일/폴더 얻기

import pathlib

path = pathlib.Path('.')
files = path.glob('**/*')

print(list(files))

GRU4REC

링크텍스트

Preview

• RNN 계열 모델 적용

• GRU 성능 > LSTM

• Embedding Layer 사용 X > Embedding Layer 사용 O

• One-hot Encoding

Session-Parallel Mini-Batches

• Session의 길이는 매우 짧음

• Session의 길이가 긴 경우, 세션들의 데이터 샘플 -> mini-batch -> input

--> 단점: 길이가 제일 긴 세션의 연산이 끝날 때까지 짧은 세션들이 기다림.

*기존 문제의 단점!!

• Session 1,2,3,을 하나의 mini-batch로 만들 시, Session 3의 연산이 끝나야 끝나는 식.

*문제 해결

• Session-Parallel Mini-Batches제안

• Session이 끝날 때까지 기다리지 않고 병렬적 계산

• Session2 -> Session4로 시작

  -> Mini-Batch의 shape (3,1,1) & RNN cell state가 1개.

• stateful = True -> RNN 만들다 (by Tensorflow)
  링크텍스트

  --> state = 0
  

• code적 설명

Sampling on the output

• Negative Sampling 개념

• Item의 수 많아 loss계산 시 인기도 고려하여 Sampling.

Ranking Loss

• Session-Based Recommendation Task:
  • 다음 아이템이 무엇인지 Classification Task
  • 관련도 순으로 랭킹을 매겨서 높은 랭킹의 아이템 추천
  • Ranking을 맞추는 objective function연구 있다.
  • Classificationn Task ~ Cross-Entropy Loss 사용