1. 프로젝트 개요

1.1 프로젝트 주제

• 일반적인 영화 추천 대회의 경우, 사용자의 영화 시청 이력을 바탕으로 해당 사용자가 다음에 시청할 영화를 예측합니다.
• 그러나 실제 상황에서는 서버 불량 등 여러가지 이유로 데이터가 Sequential하게 적재되지 않을 가능성이 존재합니다.
• 따라서 본 대회에서는 사용자의 영화 시청 이력을 바탕으로 당므에 시청할 영화 뿐 아니라 누락되었을 수 있는 영화 또한 예측하는 것을 목표로 합니다.

1.1.1 데이터 개요

• MovieLens 데이터를 전처리 하여 만든 Implicit Feedback 기반의 Sequential Recommendation 시나리오를 바탕으로 사용자의 Time-ordered Sequence에서 일부 Item이 누락된 상황을 상정합니다.
• 이와 함께 영화와 관련된 Side Imformation으로 영화별 감독, 장르, 제목, 작가, 개봉 년도를 제공합니다.
• 31,360명의 User, 6,807개의 Item, 5,154,471개의 Interaction으로 구성되어 있으며 Sparsity는 97.6%입니다.

1.2 프로젝트 요약

• 평가 Metric: Recall@10
• 제공된 Baseline 코드 및 RecBole을 사용해 모델 구축
• Sequential, General, Context-aware 모델 수십여 개를 학습하여 성능 실험
• 앙상블을 활용한 성능 개선
• 최종 결과
  • Public LB 0.1662 (5위) -> Private LB 0.1622 (8위)

1.3 활용 장비 및 협업 툴

• GPU: V100 5대
• 운영체제: Ubuntu 18.04.5 LTS
• 협업툴: Github, Notion, Weight & Bias

1.4 프로젝트 구조

Movie Recommendation/
│
├── dataset/
│	  ├── datasets.py
│	  └── preprocess.py
│
├── ensembles/
│	  └── ensembles.py
│
├── layer/
│	  └── layers.py
├── model/
│	  └── SASRecD.py
│
├── yaml/
│	  ├── default.yaml
│	  ├── model1.yaml
│	  ├── model2.yaml
│	  ├── ...
│	  └── inference.yaml
│
├── recbole_inference.py
├── recbole_train.py
└── topkensemble.py

1.5 프로젝트 목표

• Sequential한 특징이 약화된 Sequence 데이터를 잘 표현하는 모델 구현
• 제한된 시간 내에 다양한 모델을 학습 시킬 수 있는 역량 배양
  • 해당 경험을 극대화 하기 위한 RecBole 라이브러리 사용
• 모델 유형(Sequential, Context-aware 등)에 따른 특징 파악

---

2. 프로젝트 팀 구성 및 역할

류명현	이수경	김은혜	정준환	장원준
General Model, Sequential Model 학습	RecBole 튜토리얼 제작, Sequential Model 학습	모델 앙상블, Sequential Model 학습	Context-aware Model, Sequential Model 학습	모델 앙상블, Context-aware Model, Sequential Model 학습

---

3. 프로젝트 수행 결과 (Public 5위 / Private 8위)

---

4. References

• Boostcourse 강의 자료

---