Skip to content

Latest commit

 

History

History
82 lines (66 loc) · 2.69 KB

README.md

File metadata and controls

82 lines (66 loc) · 2.69 KB

kakao-arena-brunch-rec

모델

  • 주어진 태스크에 잘 맞는 매우매우 심플한 모델을 구성하였습니다.
  • 모델은 1. candidate 선정 / 2. re-rank 순서로 이루어져 있습니다.

1. candidate 선정

  • 유저의 소비 패턴을 분석해보니 최신 글의 hit ratio 가 매우 높다. => 최신 글 위주로 사용자가 많이 쓸 candidate 를 뽑자.
    • a. [테스트 시작 몇 일 전 ~ 테스트 기간] 동안 작성된 새로운 문서들 중 유저가 팔로우한 문서
    • b. [테스트 시작 몇 일 전 ~ 테스트 기간] 동안 작성된 새로운 문서들 중 유저가 과거에 많이 본 에디터의 문서
    • c. 유저가 최근에 본 n 개의 문서 히스토리와 유사한 article2vec top-k 문서 (모든 기간의 문서)
  • a + b + c 를 모두 candidate 문서로 이용.
  • 참고) a 만 이용해도 metric 이 눈에 띄게 좋게 잘 나옴.

2. re-rank

  • 기본적으로 a(중요) > b > c(덜중요) 순서를 유지하되
  • 문서 리스트 a, b 는 각 리스트를 아래 우선순위에 따라 re-rank 함.
    • 우선순위 1. 유저가 과거에 본 에디터의 글 횟수 -> 많을수록 우선.
    • 우선순위 2. 해당 날짜에 만들어진 문서가 클릭될 확률 순위 -> rank 작을수록 우선.
    • 우선순위 3. 문서가 만들어진 최신순.
  • 문서 리스트 c 는 word2vec skip-gram 을 이용해 만든 문서벡터의 cosine similarity 내림차순으로 rank 함.

Requirements

이 코드는 아래 환경에서 테스트 됨.

  • python 3.6
  • numpy
  • tensorflow 1.13.0 (CPU)
  • tqdm

파일 구조

├── inference.py
├── util.py
├── config.py
├── word2vec.py
├── train.py
├── /ckpt
└── /res
    ├── users.json
    ├── metadata.json
    ├── predict
    └── read

실행 방법

  1. Train word2vec.

    $ python train.py
    • 학습 후 모델은 ./ckpt/ 폴더에 저장됨.
    • [Deprecated] Download pretrained model (model.ckpt)

  2. Run script.

    $ python inference.py

  3. 아래 user 인풋으로부터 결과 파일을 만듦. 최종 제출 파일은 "./res/predict/recommend.txt".

    • ** test 제출용
      • user_path: ./res/predict/test.users
      • output_path: ./res/predict/recommend.txt

[UPDATED] Result