반응형 Link Prediction2 [딥러닝 with Python] [그래프 신경망] 추천 시스템 (1/2) : GNN 추천의 기본 원리와 BPR Loss [해당 포스팅은 "CS224W: Machine Learning with Graphs" (http://cs224w.stanford.edu) 강의 자료를 참조했습니다.] 넷플릭스의 수많은 영화, 유튜브의 끝없는 동영상, 아마존의 방대한 상품 목록 속에서 우리는 어떻게 내 취향에 맞는 콘텐츠를 발견할 수 있을까요? 바로 추천 시스템(Recommender Systems) 덕분입니다. 이전에는 사용자의 과거 기록을 기반으로 하는 협업 필터링(Collaborative Filtering)이 주를 이뤘지만, 최근에는 그래프 신경망(GNN)이 이 분야에 혁신을 가져오고 있습니다. GNN은 '사용자'와 '아이템' 그리고 그들의 '상호작용'을 하나의 거대한 그래프로 보고, 그 관계성 자체를 학습하여 정교한 추천을 가능.. 2025. 9. 1. [딥러닝 with Python] [그래프 신경망] 소셜 네트워크부터 신약 개발까지, GNN의 모든 것 [해당 포스팅은 "CS224W: Machine Learning with Graphs" (https://web.stanford.edu/class/cs224w/index.html) 을 참조했습니다] 1. GNN에 주목해야 하는 이유- 우리는 이미 이미지 속 고양이와 강아지를 기가 막히게 구분하고, 사람의 말을 자연스럽게 번역하는 AI에 익숙합니다. 이러한 AI 모델들은 대부분 정형화된 데이터(격자 구조의 이미지, 순서가 있는 텍스트)를 다루는 데 특화되어 있죠 - 하지만 세상의 많은 데이터는 '관계'로 이루어져 있습니다. 페이스북 친구 관계, 인터넷의 웹페이지 연결, 단백질을 구성하는 분자들의 결합처럼 말이죠. 이런 복잡한 '관계망' 데이터는 기존의 AI 모델로 분석하기 어렵습니다. - 바로 이 지점에서 그.. 2025. 8. 13. 이전 1 다음 반응형
