컴퓨터/노트북/인터넷
IT 컴퓨터 기기를 좋아하는 사람들의 모임방
조회 수 530 추천 수 0 댓글 0
단축키
Prev이전 문서
Next다음 문서
단축키
Prev이전 문서
Next다음 문서
영상첨부가 안되네요;; 아래 링크 클릭하면 영상이 나오도록 주소첨부했습니다
http://serviceapi.rmcnmv.naver.com/flash/outKeyPlayer.nhn?v 5204088D462F0EEC970B3EEDE749FF3FC015&outKey=V128b41d67534c81db8453e18cecaae499f656200df82f66b587b3e18cecaae499f65&controlBarMovable=true&jsCallable=true&skinName=tvcast_white
- 1. 1
- 2. 2
- 3. 네이버& 데이터마이닝 주변핫검색 3
- 4. 옛날이야기–연관검색어 Support Confidence Frequent Subset 4
- 5. 연관검색어 5
- 6. 연관검색어 전체 1000명중 100명이 evidence가 되는 경우 전체 1000명중 10명이 evidence가 되는 경우 전체 1000명중 5명이 evidence가 되는 경우 6
- 7. 연관검색어 7
- 8. 1 8
- 9. 기술을이긴다는것… 9
- 10. 랭킹시스템 1 2 3 100클릭 200클릭 50클릭 CASE 1 교환 100클릭 100클릭 50클릭 CASE 2 교환 100클릭 90클릭 50클릭 CASE 3 교환? 10
- 11. 랭킹시스템 1 2 3 [능력] =[순수능력]+[위치능력] 𝜂1 𝜂2 𝜂3 100 = 70 + 30 90 = 75 + 15 50 = 45 + 5 11
- 12. 랭킹시스템 추정이 잘됨 ( 분산 : 1 ) 추정이 잘 안됨 (분산 : 3 ) 𝜂1 𝜂2 𝜂3 100 = 70 + 30 90 = 75 + 15 50 = 45 + 5 12
- 13. 랭킹시스템 통계분야 데이터 마이닝 전문가 13
- 14. 랭킹시스템 통계 KDD 머신러닝 14
- 15. 2 15
- 16. 기술.. 16
- 17. 최근이야기-LDA corpus document 17
- 18. LDA-이기기위해서. D1 M개w1 w2 w3 wN … … w4 z1 z2 z3 z4 zN z = multinomial(θ) θ = <θ1,θ2,θ3 … ,θk > θ = Dir(α) α = <α1,α2,α3 … ,αk> z = <z1,z2,z3 … ,zN> zn = <zn 1, zn 2, zn 3, .., zn k > Z1 1=1 β : p(word, topic) K V β11 β12 … β1v β21 β22 … β2v … … βk1 βk2 … βkv K : topic 수 Latent Dirichlet Allocation 18
- 19. LDA 19 BLOCK OUT
- 20. LDA 20
- 21. LDA-실험 #Cluster 국가기 관 #Cluster 복지 #Cluster 슈퍼스 타k #Cluster 주거 기획재정부 건강보험 슈스케 시프트 외교통상부 4대보험 크리스티나 보금자리주택 중소기업청 4대보험포털사이트 신지수 국민임대아파트 농림수산식품부 고용보험관리공단 이정아 주택관리공단 지식경제부 건설기술인협회 임윤택 한국주택금융공사 여성가족부 실업급여 동경소녀 질바이질스튜어트 국회 고용산재토탈서비 스 도대윤 보금자리론 21
- 22. LDA-분산처리 22
- 23. LDA–sowhat? 23
- 24. 반대사례–실시간검색어 24
- 25. 실시간검색어 www.cs.cmu.edu/~neill/papers/eventdetection.pdf ) 25 BLOCK OUT BLOCK OUT BLOCK OUT BLOCK OUT
- 26. 3 26
- 27. 좋은목적.. 27
- 28. 아직도..–협력필터 28
- 29. 협력필터 Wij : item i와 j간의 weight Conditional probability를 이용하여 score를 계산 qi : item의 특성을 n개의 feature로 표현 pu : 사용자의 특성을 n개의 feature로 표현 사용자와 아이템을 똑같은 n차원의 feature 로 표현하여 둘의 곱으로 선호도를 구함. 전역 적인 특성이 있음 w : feature의 weight Ii : i 번째 아이템의 feature 각 feature의 global한 weght를 구하여 적 용한다. Neighborhood model 1 Factor model2 Contents model3 User behavior 이용 Contents 정보 이용User behavior 이용 𝑆𝑐𝑜𝑟𝑒 𝑢𝑖 = 𝑤𝑖𝑗 𝑃 𝑑𝑖 𝑑 𝑘 + 𝑗∈𝑅 𝑢 𝑞𝑖 𝑇 ∙ 𝑝𝑢 + 𝑤 ∙ 𝐼𝑖 𝐼𝑗 𝑗∈𝑅 𝑢 29 BLOCK OUT
- 30. 협력필터 30
- 31. 협력필터 31
- 32. 4 32
- 33. DomaindependentTraining-TestScheme. TRAINING DATA TEST DATA 33
- 34. 정리하면.. 34
- 35. 35
- 36. 36 BLOCK OUT
- 37. 37 BLOCK OUT
- 38. 네이버‘Realtime’프로젝트 CUVE blog news post sns . . . RED Realtime 데이터 이벤트 추출 & 점수 BigBrew 실시간 색인 REACT Dynamic Relay Real Listener USER see act react 이벤트 탐지 & 색인 전달 및 반응 38
- 39. 39
- 40. CUVE blog news post sns . . . RED Stat Analizer segment Analizer Event score Event score Event score .. Event DB Realtime 데이터 이벤트 점수 이벤트 저장 40
- 41. Stat Analizer Segment Analizer event scorer 1. Event Detection 2. Compute Real Score 41
- 42. RED 42
- 43. RED 2015년 4월 16일 18:30분 ‘부산 사직 구장’ 0.89 0.92 0.87 0.65 Real Score = now + interest 10초전 3분전 8분전 33분전 43
- 44. 44 BLOCK OUT
- 45. 45
- 46. 46
- 47. 47
