Models
├── Contents-based
│ ├── FFM
│ └── DeepFM
├── Collaborative-filtering
│ ├── User-based model
│ ├── Item-based model
│ ├── SVD model
│ ├── Multi-VAE
│ ├── DAE
│ ├── RecVAE
│ ├── BPR
│ ├── Auto-Rec
│ └── User Profiling
└── Sequential
├── SASRec
├── S3Rec
└── Bert4Rec
| Model | Augmentation/Skils | Recall10 |
|---|---|---|
| DeepFM | Genre, Writer, Director Concat | 0.079 |
| FFM | Genre, Writer / MAE loss 적용 | - |
| UBCF | Cosine similarity, voting, future item제거 | 0.1161 |
| S3Rec | Genre | 0.0892 |
| Bert4Rec | Top_10_per_five inference | 0.1151 |
| Multi-VAE | epoch = 200, future item 제거 | 0.1421 |
| DAE | epoch = 150, WD = 0.01 | 0.1420 |
| Rule by Genre | Top 5 장르에 대해서 3:2:2:2:1 비율 적용 | 0.07 |
| RecVAE | epoch = 50, gamma = 0.004 | 0.1243 |
- DeepFM : 영화에 대한 Attribute를 활용하여 사용자가 선호하는 아이템 유형을 활용해 추천하고자 선정
- FFM : DeepFM이 학습과 추론과정 소요되는 시간이 길어 가벼운 모델을 사용하고자 선정
- BERT4Rec : 유저의 시청기록을 masking 하는 clozure task가 현재 대회에서 해결하고자 하는 문제와 유사하다고 판단하여 선정하게 되었다.
- UBCF : log가 일정하지 않기 때문에 가장 단순하면서도 성능이 좋아서 baseline으로써 구현했다.
- Multi-VAE : VAE의 샘플링 기법을 활용하여 보지 않은 영화에 대해 더 정확한 추천을 하기 위해 선정하였다.
- DAE : Noise를 추가하여 학습 데이터에 과적합 되는 것을 방지하기 위해 선정하였다.