Recsys-04 파이팅해야조

Project Overview

본 프로젝트는 사용자의 영화 시청 이력 데이터를 바탕으로 사용자가 다음에 시청할 영화 및 좋아할 영화를 인공지능을 통해 예측하는 프로젝트이다.

Project Structure

1. Calendar

2. Project Pipline

3. Environment

• 서버 정보 : AI Stages GPU V100 서버
• 버전 정보 : Python 3.10.13
• 패키지 정보

numpy==1.22.2
pandas==1.4.1
python-dateutil==2.8.2
pytz==2021.3
recbole==1.2.0
scipy==1.8.0
six==1.16.0
torch==1.10.2
tqdm==4.62.3
typing_extensions==4.1.1

4. Team

김세훈	문찬우	김시윤	배건우	이승준

• 공통 : EDA, Hyper Parameter Tuning, Git Management, Recbole
• 김세훈 : MultiDAE, MultiVAE Baseline 구축 및 실험, Ensemble
• 문찬우 : 모델 성능 확인, 모델간의 유사도 확인 및 Ensemble
• 김시윤 : RecBole 실험환경 세팅(기본 환경, inference), ease, lightgcn, recvae, deepfm 모델 실험, 앙상블 진행
• 배건우 : 서버환경 구축, 베이스라인 구축
• 이승준 : SASRec Baseline 구축 및 실험, RecBole을 활용한 EASE, ADMM-SLIM, CDAE, GRU4Rec 모델 실험

5. Data

train data

• 주 학습 데이터로 userid*,* itemid, timestamp로 구성되어있으며, 총 5,154,471의 행으로 이루어졌다.
• userid : 총 31,360 명의 유저의 userid가 존재
• itemid : 총 6,807 건의 영화의 itemid가 존재
• timestamp : 유저가 영화를 시청한 시간 이력

item data

• director : 영화별 감독에 대한 자료로, 총 5,905개의 행으로 이루어져있다.
• writer : 영화별 작가에 대한 자료로, 총 11,307개의 행으로 이루어져있다.
• genre : 영화의 장르 (한 영화에 여러 장르가 포함될 수 있음)에 대한 자료로, 총 15,934개의 행, 총 18개의 장르로 이루어져 있다.
• year : 영화의 개봉년도에 대한 자료로, 총 6,799개의 행으로 이루어져있다.
• title : 영화의 제목에 대한 자료로, 총 6,807개의 행으로 이루어져 있다.

6. Model Performance

Type	Model	Public Score	Private Score
General	EASE	0.1595	0.1595
	ADMMSLIM	0.1563	0.1544
	CDAE	0.1318	0.1328
	MultiVAE	0.1304	0.1320
	MultiDAE	0.1371	0.1390
	RecVAE	0.1321	0.1335
Context-Aware	DeepFM	0.0880	0.0877
Sequence	SASRec	0.0949	0.0805
	Bert4Rec	0.0782	0.0738
Graph	LightGCN	0.1160	0.1184

7. Final submission

Hard Voting 앙상블 : EASE(3), ADMMSLIM(3), CDAE(1), MultiVAE(1), MultiDAE(1), DeepFM(1), SASRec(1), LightGCN(1), Bert4Rec(1)

Public Score	Private Score
0.1632	0.1623

Skill

Language

Library

Communication

Environment

Laboratory Report

Movie Recommendation Wrap-Up Report