• 분량: 이미지 제외 5~6장(최대 6장); 이미지는 포함 가능하나 분량에 미포함

Book Rating Prediction_RecSys_팀 레포트(03조).pdf로 제출

Book Rating Prediction_Recsys_팀 리포트(03조).pdf

• 찬웅 - FFM DCN 모델 설명 다시 한번 봐줘 중간에 끊긴부분?
• 프로젝트를 통해 배운 점 또는 시사점 추가해야함!
• 오타나 양식 확인해야함!
• 월요일에 하자!!

Book Rating Prediction Wrap-up Report

1. RecSys 03조 (일찍끝내조🤭)

   • 팀 소개

   <aside> 💡 안녕하세요! 저희는 열심히 일하는 평일과 푹 쉬는 주말을 즐기는, 능동적이고 적극적인 팀입니다.

   </aside>

   T5070_김현정

   T5078_민현지 T5232_황찬웅 T5237_이준원

   • 팀 목표

   <aside> 💡 각 개인이 분석 프로젝트의 end to end 를 경험 해볼 것 강의를 통해 배운 모델을 직접 적용 해볼 것 성능 개선보다도 다양한 모델 시도에 집중할 것

   </aside>

2. 프로젝트 개요

   • 프로젝트 주제 및 목표

     이번 대회는 책과 관련된 정보, 소비자의 정보, 평점 데이터를 활용하여 각 사용자가 책에 대해 얼마나 평점을 줄지 예측하는 개인화된 상품 추천 대회입니다. 대회에서는 정형 데이터부터 이미지, 텍스트 데이터까지 다양한 데이터를 활용하여 추천 시스템의 스킬을 적용할 수 있습니다. 최종 결과물은 **.csv**파일로 제출되며, 평가 데이터는 60%가 Public 점수 계산에 사용되고, 나머지 40%는 Private 결과 계산에 사용됩니다. RMSE를 사용하여 최종 리더보드의 성능을 수치화하였습니다.

   • 개발 환경

     • 팀 구성: 4인 1팀, 인당 V100 서버를 VS Code와 SSH로 연결하여 사용
     • 협업 환경
       • Notion
       • Github
     • 의사 소통
       • Zoom
       • Slack
       • 카카오톡

3. 프로젝트 팀 구성 및 역할

   김현정	EDA, 전처리, 모델링(AutoRec, LightGBM, XGBoost), 팀 깃헙 관리
   민현지	EDA, 전처리, 모델링(MF, LightFM), 발표
   황찬웅	EDA, 모델링(Catboost, LightGBM, HybridModel (FFM+DCN))
   이준원	EDA, 전처리, 모델링(SVD), 팀 노션 관리

4. 프로젝트 수행 절차 및 방법

1. 프로젝트 개발 환경 구축 (Github, Slack, VS Code와 SSH 연결)

2. 각자 EDA 및 데이터 전처리

3. 각자 Modeling

4. EDA 및 데이터 전처리 팀 git에 통합

5. 모델 별 성능 비교

6. 하이퍼파라미터튜닝 & 앙상블