사용자의 책 평점 데이터를 바탕으로 사용자의 평점을 예측
Contents
| 강수헌_T4003 | 박경준_T4076 | 박용욱_T4088 | 오희정_T4129 | 정소빈_4196 |
|---|---|---|---|---|
| Github | Github | Github | Github | Github |
| soso6079@naver.com | rudwns708.14564@gmail.com | oceanofglitta@gmail.com | ohhj1999@gmail.com | sobing98@gmail.com |
| 프로젝트 주제 | 사용자의 책 평점 데이터를 바탕으로 사용자가 어떤 책을 더 선호할지 예측 |
|---|---|
| 프로젝트 개요 | 부스트캠프 Level1-U stage 강의를 통해 배운 내용을 바탕으로, 모델을 설계하고 학습하며 추론을 통해 나온 결과를 바탕으로 순위 산정하는 방식 |
| 활용 장비 및 재료 | • 서버: Tesla V100, 88GB RAM Server • 개발 IDE: Jupyter Notebook, VS Code • 협업 Tool: Notion, Slack, Zoom |
| Metric | RMSE Score |
| Dataset | • books.csv : 149,570개의 책(item)에 대한 정보를 담고 있는 메타데이터 • users.csv : 68,092명의 고객(user)에 대한 정보를 담고 있는 메타데이터 • train_ratings.csv : 59,803명의 사용자(user)가 129,777개의 책(item)에 대해 남긴 306,795건의 평점(rating) 데이터 |
| 기대 효과 | 사용자의 책 평점을 예측하는 모델을 개발하고, 이 모델이 사용자에게 책을 추천할 때 좋은 기준이 될 수 있을 것이다. |
프로젝트 구조도
데이터 구조도
| 분류 | 내용 |
|---|---|
| 아키텍처 | FactorizationMachineModel + FieldAwareFactorizationMachineModel + DeepCrossNetworkModel |
| LB점수(8/14등) | • public : 2.1407 • private : 2.1409 |
| Training Feature | user_id, isbn, age, publisher, language, location country, year of publication, book author, category (book title, city, state를 제외하고 나머지를 학습에 사용함) |
| 데이터 | • user_id: 고유번호 • location: city이용해 state, country결측치 처리 • age: pseudo labeling로 결측치 처리 • publisher, language: isbn이용해 결측치 처리 |
| 앙상블 방법 | 1번 학습 방법으로 FM+FFM+HOFM+DCN을 optimal_weighted로 묶고 2번 학습 방법으로 FM+FFM+DCN을 optimal_weighted로 묶고 (1+2)/2 방식으로 앙상블을 진행함. |
private board evaluation
public board evaluation
- requirements :
install requirements
pip install -r requirements.txt
- train & Inference :
main.py
python main.py --MODEL FM --DATA_PATH data
options