Skip to content

Latest commit

 

History

History
32 lines (25 loc) · 1.49 KB

README.md

File metadata and controls

32 lines (25 loc) · 1.49 KB
Raw

독립적으로 실험한 모델들에 대한 앙상블을 진행하여 성능을 끌어올림

1. Hard voting

  • 각 모델에서 뽑은 추천 리스트에서 많이 등장한 영화를 10개 Vote

image

2. Weighted hard voting

  • 성능이 잘 나오는 모델이 추천한 영화에 가중치를 부여해서 많은 점수를 얻은 영화를 10개 Vote

image

3. Ensemble 결과

Combination Method Recall@10
MVAE & SASRec Hard voting 0.1274
DAE & UB Hard voting 0.1365
DAE & MVAE Hard voting 0.1470
Top 5 Hard voting 0.1418
Each Model Hard voting 0.1493
Top 10 Hard voting 0.1482
Best7 Weighted hard voting 0.1643
Best3 Weighted hard voting 0.1644
Best4 Weighted hard voting 0.1675

*Best 4 : 가장 성능이 잘 나왔던 모델 4개 (Bert4Rec, Multi-VAE, DAE, UBCF)
*Best 3 : 가장 성능이 잘 나왔던 모델 3개 (Bert4Rec, DAE, UBCF)
*Best 7 : 가장 성능이 잘 나왔던 모델 7개 (Bert4Rec, Multi-VAE, DAE, UBCF, FFM, DeepFM,Rule Base)
*Top 10 : 제출 성능이 가장 높았던 submission 10개
*Top 5 : 제출 성능이 가장 높았던 submission 5개
*Each Model : 비교적 성능이 좋았던 모델들을 겹치지 않도록 6개의 모델(Bert4Rec, SB&SASRec, DAE&MVAE, UBCF&SASRec, RecVAE, FISM&SASRec)