일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
Tags
- data structure
- 강화학습
- recsys
- 머신러닝
- CVPR
- 딥러닝
- Stack
- Semantic segmentation
- 데이터 검증
- mdp
- TFX
- 운영체제
- TFDV
- MLOps
- 글또9기
- agent
- 그래프데이터
- 자료구조
- ML 파이프라인
- 그래프씽킹
- 텐서플로우 익스텐디드
- 윤성우의 열혈 자료구조
- IT
- OS
- 논문 리뷰
- RL
- 선형대수학
- 개발배경지식
- reinforcement learning
- 데이터 전처리
Archives
- Today
- Total
목록Offline metrics (1)
성장通
서비스를 고려한 추천시스템 성능 평가 방법
서비스를 고려한 추천시스템 성능 평가 방법론 일반적인 머신러닝과 마찬가지로, 추천시스템 또한 실제 서비스에 배포하기 전에 성능을 평가함으로써 모델의 안정성을 확인할 수 있다. 그러나 추천시스템의 경우 평가 방식이 일반적인 모델과 다소 다른 평가 방법을 가지기도 하며, 실제 서비스에 적용할 때 고려해야 될 사항이 좀 더 많은 편이다. 가장 먼저 '추천'이란 태스크의 특성상 정답이 모호한 경우가 많으며 실제 서비스에 적용할 경우 트렌드의 변화에 따른 인기 상품의 변화와 같은 이유로 모델의 성능과 별개로 사용자 만족도가 급격히 감소하거나 Long-tail 문제, False Positive 문제와 같이 결과의 Skew를 일으킬 수 있는 문제 또한 존재한다. 그렇다면, 추천시스템은 어떻게 평가해야 하고, 또 어떻..
ML&DL/추천시스템
2024. 2. 12. 15:32