2015 py con word2vec이 추천시스템을 만났을때

1. 추천시스템이

3. Word2Vec을

4. 만났을때

5. 최규민(goodvc78@gmail.com) | 2015.08.29

6. 저(최규민)는

7. 저(최규민)는 아프리카TV에서

8. 저(최규민)는 아프리카TV에서 추천 방송을

9. 저(최규민)는 아프리카TV에서 추천 방송을 만들고 있습니다.

10. 오늘

11. 할

12. 이야기는

13. 영화리뷰 학습결과 자연어처리 ML Word2Vec Python 구현 추천시스템 영화 별점 예측 UB Movie Lens 만났을때 Movie2Vec 추천 적용 영화 분류

14. Word2Vec이란?

15. Word2Vec이란? • 2013년 구글에서 발표한   자연어 처리 머신러닝 • Word를 100차원, 200차원 의 한정된 Vector로 효율적 으로 표현것입니다. • 2003년 bengio를 NNLM 기반으로 만들어진 Language Model.

16. NNLM 2003년 Bengio 2013년 Mikolov (구글) 혁신 •Accuracy Skip-gram Continuous Bag Of Word •Fast Training Hierarchical Softmax Nagative Sampling Subsampling for frequent word 참고 논문 : Efficient Estimation of Word Representations inVector Space word2vec X2 X7

17. • 주어진 문서에서 단어 w가   Context(c)의 단어 결합확률이   최대가 되도록 단어 w의   vector값을 학습 • 예를들어 “파이콘은 세계 각국의 파이썬 프로그래밍 언어 커뮤니 티에서 주관하는 비영리 컨퍼런스입니다.”와 같은 파이콘2015 행사 개요 문서를 학습 할 경우 • “파이콘”과 “파이썬” 비슷한 vector값을 가지도록   즉, 이 처럼 단어의 순서가 근접하여 자주 출현할 수록 두단어의 vector값이 유사하도록 학습하는 것이 목적 NNLM

18. (neural

19. net

20. language

21. model)

22. • '139분 상영동안 눈을 뗄수가 없을 만큼 흥미진진했어요. 6인6색 예고처럼 배우들 연기력도 좋았고 그 시대에 볼거리가 풍성해서 인 상적이었어요. 특히 염석진을 따라다니던 명우라는 배우의 엔딩씬 은 특별히 기억에 남네요. 대박의 조짐이 현실이되길 조심스럽게 기대해 봅니다. Good!' • '대박이네 꼭바야' '일본 방송 출연 못해서 안달은 자들의 애국놀이 라... ' • '시사회 봤습니다. 이야기가 뒤로 갈수록 점점 더 흥미진진해 지네 여~ 특히 마지막 이정재의 연기는 정말 압권입니다!!! 이정재 연기 력에 진심 감탄^^' • '배우 앙상블 언제나 좋고 소재와 캐릭터도 언제나 좋아요. 드라마 구성 완성도 까지...잘 봤습니다. ' • 'ㅋㅋ혹시 왜나라 연예계에 자리없을까 걱정하는 자들이 우리 광대 들인데 다른 영화(외화) 예매 다 막아놓고 해묵은 일베충 드립질하 면 다음에서 지지받는다 하든? 알바들아 답글 좀 써봐라... ' • '하반기 대박 영화.. 역사에 기반을둔 반전있는 탄탄한 스토리 대 한독립의 의미를 되새겨주는 영화 강추합니다' • '전지현이여서, 가능한 영화였따 그치만 이정재 하정우 역시 멋있 다 ㅎㅎ 그리고 가슴이 아프다 우리네 역사가 .. 그 시절 독립운동이 란 우리에게 주는 의미가 되새겨 진다 긴 런닝타임 손에 땀을 쥐고 파이콘 행사개요 ‘암살’ 영화리뷰 다음

23. 문장을

24. 학습하면

25. •파이콘 •파이썬 •전지현 •암살 •이정재 x1 x2 •파이콘 •파이썬 •전지현 •암살 •이정재 x1 x2 •암살 •전지현 •파이썬 학습전 (랜덤) 학습후 다음

26. 문장을

27. 학습하면

28. 실제 word2vec 학습을 통해 확인해 보자

29. 영화

30. “암살”

31. 리뷰

32. 100개 • '139분 상영동안 눈을 뗄수가 없을 만큼 흥미진진했어요. 6인6색 예고처럼 배우들 연기력도 좋았고 그 시대에 볼거리가 풍성해서 인상적이었어요. 특히 염석진을 따라다니던 명우라는 배우의 엔딩씬은 특별히 기억에 남네요. 대박 의 조짐이 현실이되길 조심스럽게 기대해 봅니다. Good!' • '대박이네 꼭바야' '일본 방송 출연 못해서 안달은 자들의 애국놀이라... ' • '시사회 봤습니다. 이야기가 뒤로 갈수록 점점 더 흥미진진해 지네여~ 특히 마지막 이정재의 연기는 정말 압권입니다!!! 이정재 연기력에 진심 감탄^^' • '배우 앙상블 언제나 좋고 소재와 캐릭터도 언제나 좋아요. 드라마 구성 완성 도 까지...잘 봤습니다. ' • 'ㅋㅋ혹시 왜나라 연예계에 자리없을까 걱정하는 자들이 우리 광대들인데 다 른 영화(외화) 예매 다 막아놓고 해묵은 일베충 드립질하면 다음에서 지지받 는다 하든? 알바들아 답글 좀 써봐라... ' • '하반기 대박 영화.. 역사에 기반을둔 반전있는 탄탄한 스토리 대한독립의 의미를 되새겨주는 영화 강추합니다' • '전지현이여서, 가능한 영화였따 그치만 이정재 하정우 역시 멋있다 ㅎㅎ 그 리고 가슴이 아프다 우리네 역사가 .. 그 시절 독립운동이란 우리에게 주는

33. 영화

34. “암살”

35. 리뷰

36. 100개 • '139분 상영동안 눈을 뗄수가 없을 만큼 흥미진진했어요. 6인6색 예고처럼 배우들 연기력도 좋았고 그 시대에 볼거리가 풍성해서 인상적이었어요. 특히 염석진을 따라다니던 명우라는 배우의 엔딩씬은 특별히 기억에 남네요. 대박 의 조짐이 현실이되길 조심스럽게 기대해 봅니다. Good!' • '대박이네 꼭바야' '일본 방송 출연 못해서 안달은 자들의 애국놀이라... ' • '시사회 봤습니다. 이야기가 뒤로 갈수록 점점 더 흥미진진해 지네여~ 특히 마지막 이정재의 연기는 정말 압권입니다!!! 이정재 연기력에 진심 감탄^^' • '배우 앙상블 언제나 좋고 소재와 캐릭터도 언제나 좋아요. 드라마 구성 완성 도 까지...잘 봤습니다. ' • 'ㅋㅋ혹시 왜나라 연예계에 자리없을까 걱정하는 자들이 우리 광대들인데 다 른 영화(외화) 예매 다 막아놓고 해묵은 일베충 드립질하면 다음에서 지지받 는다 하든? 알바들아 답글 좀 써봐라... ' • '하반기 대박 영화.. 역사에 기반을둔 반전있는 탄탄한 스토리 대한독립의 의미를 되새겨주는 영화 강추합니다' • '전지현이여서, 가능한 영화였따 그치만 이정재 하정우 역시 멋있다 ㅎㅎ 그 리고 가슴이 아프다 우리네 역사가 .. 그 시절 독립운동이란 우리에게 주는 # Word2Vec으로 학습 model = Word2Vec( corpus, # review 문장 size=3, # 3차원 Vector min_count=3, # 3회이상 출현 window=10 # 10개 단어씩 )

37. Word2Vec

38. 학습

39. 결과

40. ‘하정우’:[-0.07607, 0.033019, -0.01204] ‘전지현’:[ 0.11024777, -0.08181, -0.09407] ‘이정재’:[ 0.03348, 0.09194, 0.09699] 한정된 공간에 Vector값을 표현 = Embedding !!!

41. 최고의 연기… 스토리 너무 기대가 … 전지현 하정우 감독님과 배우들이 짱… 시사회로 봤는데 개봉하면… 문서에서 근접 단어(neighbors)끼리 가장가까운 vector 값을 가지도록 최적화

42. 좀더 많은 데이터로 학습 해 보겠습ㄴ다.

43. 영화

44. 리뷰(60만건) • 토픽 모델링 패키지인 Gensim에서 패키징한 word2vec 을 사용 • 아래 영화 리뷰 데이터의 title, review를 word2vec으 로 트레이닝해 보자

45. 데이터 로드 트레이닝하기 위한 단어/문장 단위로 분리 Word2Vec으로 학습(100D) word2vec

46. 트레이닝

47. word2vec

48. 트레이닝

49. 결과 • 트레이닝 결과 :   • ‘이정재’ 벡터값 :

50. “이정재” “암살” 단어의 의미(인물,영화) 해석됨

51. “이정재”

53. “수양” 이정재가 수양대군 역활을 한 “관상”의 배우들이 나옵니다.

54. word2vec의

55. 쓰면서

56. 느낀점 사용이 심플하다. 10줄이면 코딩끝. 라벨링 되지 않은 데이터로 Supervised Learning 왜 이렇게 결과가 나오는지 명확한 해석이 어려움 (머신러닝 대표 특징) 의도적인 성능 향상을 위해서는 많은 삽질이 필요 사용의 편리성에 비해 엄청난 정확도를 보여 준다.

57. 추천 시스템

58. 추천하면 생각나는것이 뭘까요?

59. 상품 친구 영화 광고 뉴스

60. 상품 친구 영화 광고 뉴스 영화 추천 : 별점 예측

61. 나의 별점 예측은 어떻게 할까요?

62. ME 영화 취향이 비슷한 사람들 4.5 5.0 3.5 3.0 4.5 4.0 그들이 평가한 별점으로 나의 별점예측 weightedsum

63. 이렇게

64. 예측한

65. 별점이

66. 높은

67. 영화를

68. 추천해주는

69. 방식이

70. User

71. Based

73. CF

74. (Collaboration

75. Filtering)

76. 실제구현

77. 과정을

79. 보겠습니다.

80. 과정 영화 별점 데이터 로드 ! User-Movie Vector 변환 모든 유저 간 유사도 측정 ! 그중 최근접 이 웃을 찾음 최근접 이웃의 별점 정보로 내 가 보지 않은 영 화의 별점 예측 Data Processing Neighborhood Prediction

81. 영화 별점 데이터 로드 ! User-Movie Vector 변환 모든 유저 간 유사도 측정 ! 그중 최근접 이웃 음 Data Processing Neighborho

82. 영화

83. 별점

84. 데이터

85. (Grouplens:MovieLens)

86. • 미네소타 대학의 GroupLens 연구실에서 수 집 CF를 연구를 위해 영화 데 이터 수집 • 개인정보가 없이 제공됨 • 100K, 1M, 10M , 20M 별 점 데이터셋 제공 • 영화 별점, 영화메타, 태그 데 이터 제공

87. 데이터

89. ml-latest-small 706 users. 8,552 movies 100,022 ratings

90. User

92. Movie

93. Rating

94. Matrix 영화 유저 ME 4 4.5 5 예측대상 예측대상 A 4.5 4 3 3.5 B 4 5 4 C 2 5 3 3 D 4 5 4 4 E 2 1 1 5 F 5 1 1 1 5 G 2 2 2

95. User

97. Movie

98. Vector

99. 변환

102. 706 vectors. 8,552 dimensions = 706 x 8,552 values NaN Values : 5.94M ( 98.34% ) ! sparse vector!! User

103. x

104. Movie

105. Matrix

108. 20M Dataset은 138,493 Vectors(user) 26,744 dimensions(movie) NaN Values : 3.68G(99.46%) User

109. x

110. Movie

111. Matrix

114. User-Movie가

116. 증가

117. 할수록

118. Sparsity

119. 속성이

120. 두드러진다.

121. 참고)

122. Sparsity

123. 줄이기

124. 위해

125. • Dimensionality Reductions • PCA : 주성분 분석 • SVD : 특이값 분해 • 일반적으로 실제 구현 시에는 dict타입 collection구성 • { userid : { movieid:rating } , … }

126. 영화 별점 데이터 로드 ! er-Movie ector 변환 모든 유저 간 유사도 측정 ! 그 중 최근접 이웃을 찾음 최근접 이웃의 보로 내가 보지 화의 별점 Processing Neighborhood Predict

127. 유사도

128. 측정 • 유사도 측정 ! ! • 유사도값의 신뢰하기 위해 교차평가한 영화가 일정 수 이상만 유사도 측정 • 유사도 측정의 대표적 함수 • Jaccard, Cosine , Euclidean, Correlation, … 유저 Movie1 Movie2 Movie3 Movie4 Movie5 Movie6 Movie7 ME 4 5 4.5 3.5 A 4.5 4 3 3.5 4 교차로 평가한 영화의 별점 정보로 유사도 측정

129. Jaccard : ! 상품간의 교집의 크기 Euclidean Distance! 상품간의 거리 상품1 상품2 Jaccard,

130. Euclidean,

131. Cosine,

132. Corr θ Cosine Similarity! 상품간의 각도 상품1 상품2 변량의

133. 상관도

134. Correlation

135. Jaccard : ! 상품간의 교집의 크기 Euclidean Distance! 상품간의 거리 상품1 상품2 Jaccard,

136. Euclidean,

137. Cosine,

138. Corr θ Cosine Similarity! 상품간의 각도 상품1 상품2 변량의

139. 상관도

140. Correlation 별점 예측의 정확도가 가장 높은 유사도 함수를 선택!!

141. 유사도함수별

142. 별점예측

143. 오차값 (MAE) 평균

144. 별점 Euclidean Cosine Correlation

145. MAE(Mean

146. Absolute

147. Error) 0.0 0.2 0.4 0.6 0.8 0.531 0.465 0.263 0.706 ← 가장 적합한 함수

148. Neighborhood

149. 연산 가장 유사한 유저 TopN 결과를 리턴 모든 유저와 유사도를 측정 (Brute Force) 최소 3개 이상의 교차 평가가 있는 유저만 유사도 측정 유사도가 높은 순으로 Top N

150. Neighborhood

151. 연산 입력값과 가장 유사한 유저와 TopN 결과를 리턴 최소 3개 이상의 같은 영화에 평점을 매긴 유저만 측정 유사도가 높은 순으로 Top N 모든 유저와 유사도를 측정 (Brute Force) ! - Scalability 문제 - 성능 = ( n:유저수 ) - 유사할것 끼리 클러스터 묶 어서 클러스터 내에서만 Neighborhood 연산 - 성능 :   ( c : 클러스터의 유저수 )

152. 클러스터링

153. 알고리즘들 K-Means

154. Hierarchical

156. Clustering

157. Minhash,

158. LSH,

159. density

160. based

161. …⋯

163. 든 유저 간 사도 측정 ! 근접 이웃을 찾 음 최근접 이웃의 별점 정보로 내가 보지 않은 영화의 별점 예측 hborhood Prediction

164. 유저 영화 별점 유사도 weighted none A Nan 0.61 - B 4 0.91 3.64 4 C 3 0.63 1.89 3 D 4 0.91 3.64 4 합계 9.17 11 예측별점 3.74 3.67 나와

165. 유사한

166. 유저의

167. 별점을

168. 더욱 더

169. 신뢰하도록

170. 별점

171. 예측 X X X X 0.61 0.91 0.63 0.91 = = =

172. 최근접 유저의 유사도를 측정해서 근접유저 중 4명이상 별점 을 준 영화들에 대하여 별점

173. Prediction 평점을 매신 유저들의 유사도를 가중치로 적용하여 평점계산

174. 유저

175. 1번의

176. 별점

177. 예측

178. 결과 평가한 별점 예측한 별점

179. 별점

180. 예측

181. 정확도(MAE)

182. MAE(MeanAbsoluteError) 0.0 0.2 0.4 0.6 0.8 평균 별점 예측별점 0.263 0.706 2.6배 정확도가 좋아짐

183. User

184. Based

185. CF 참고: recsys-2014-tutorial-the-recommender-problem-revisited p19 최소한의 기본 지식만 구현가능 다양한 적용 사례에서 적절한 정확도를 보장 고차원 저밀도 Vector = Sparsity 하드한 Neighborhood 연산 = Scalability

186. User

187. Based

188. CF 참고: recsys-2014-tutorial-the-recommender-problem-revisited p19 최소한의 기본 지식만 구현가능 다양한 적용 사례에서 적절한 정확도를 보장 고차원 저밀도 Vector = Sparsity 하드한 Neighborhood 연산 = Scalability Memory based CF 알고리즘

189. Model based Collaboration Filtering?

190. Model based Collaboration Filtering? 머신러닝과 같이 트레이닝 데이터로 패턴을 찾아 내어 추천을 하는 알고리즘 Probability Model Clustering Model SVD PCA Matrix Factorization …

191. 추천 시스템이 Word2Vec만났을때

192. 실제로

193. 하고자

194. 하는것

195. ! Movie

196. 2

197. Vec

198. 추천할

199. 영화을

200. 한정된

201. 공간에

202. Embedding 암살 신세계 관상 즐거운 인생 7번방의 기적 미세스 다웃 파이어 님은 먼곳에 인사이드아웃 쉰틀러 리스트 베테랑 유주얼 써스펙트 친정엄만

203. 유사한

204. 영화끼리

205. 잘

206. 뭉치도록

207. Movie2Vec

208. 학습이

209. 목적 암살 신세계 관상 즐거운 인생 7번방의 기적 미세스 타웃 파이어 님은 먼곳에 인사이드아웃 쉰틀러 리스트 베테랑 유주얼 써스펙트 친정엄만

210. 내가

211. 높은

212. 별점

213. 준

214. 영화(▲)와

215. 암살 신세계 관상 즐거운 인생 7번방의 기적 미세스 다웃 파이어 님은 먼곳에 인사이드아웃 쉰틀러 리스트 베테랑 4.5:유주얼 써스펙트 5.0 : 친정엄만

216. 유사한

217. 영화를

218. 추천해

219. 주는 암살 신세계 관상 즐거운 인생 7번방의 기적 미세스 다웃 파이어 님은 먼곳에 인사이드아웃 쉰틀러 리스트 베테랑 4.5:유주얼 써스펙트 5.0 : 친정엄만

220. 유사한

221. 영화를

222. 추천해

223. 주는 암살 신세계 관상 즐거운 인생 7번방의 기적 미세스 다웃 파이어 님은 먼곳에 인사이드아웃 쉰틀러 리스트 베테랑 4.5:유주얼 써스펙트 5.0 : 친정엄만 Movie2Vec 관심 영화 추천

224. 중심점

225. 거리

226. 기반으로

228. 영화를

229. 상세

230. 군집화(부류)하여 암살 신세계 관상 즐거운 인생 7번방의 기적 미세스 타웃 파이어 님은 먼곳에 인사이드아웃 쉰틀러 리스트 베테랑 유주얼 써스펙트 친정엄만

231. 관심

232. 영화

233. 부류를

234. 추천에

235. 주는

236. 암살 신세계 관상 즐거운 인생 7번방의 기적 미세스 타웃 파이어 님은 먼곳에 인사이드아웃 쉰틀러 리스트 베테랑 유주얼 써스펙트 친정엄만 Movie2Vec 관심 부류 영화 추천

237. Movie2Vec

238. 학습하기

239. 학습할

240. Corpus

241. 생성 • 문서 Corpus가 아닌 영화 시청(별점) 이력 Corpus로 학습 단어 영화ID 문장 유저단위 [영화, 영화2, …] 문서 별점이력 [ [영화1,영화2 … ], [영화1,영화2 … ], [영화1,영화2 … ], … [영화1,영화2 … ] ]

242. 영화

243. 별점

244. 이력

245. Corpus [ 924,919,2683,1584,1079,653,2959,337,1304,39 96,151,112,1374,1246,1370 ] [ 1356,3159,2951,1974,1210,62,1121,469,589,110,2948,2858,2791,3513,3959 ] [ 2011,1188,589,1721,2118,2857,10,2676,2541,2567,2722,2448,2505,2694,2574] [ 380,165,329,356,10,454,480,589,377,19,367,420,586,32,350 ] [ 141,736,62,17,648,780,608,1073,708,788,104,140,631,671,832 ] [ 141,62,1,780,17,736,648,494,3,1073,733,7,52,260,788 ] [ 1230,908,364,1196,3081,912,1617,3469,3062,2993,1210,4848,4896,4993,4963] [ 592,590,380,150,296,349,588,344,165,153,316,329,527,21,610 ] [ 3785,1219,858,356,2279,4034,4022,3994,3999,4030,3979,4369,4533,4519,450] [ 1204,527,912,356,1960,1196,1250,2028,1242,1208,1222,1094,2529,2058,260 ] [ 4643,170,531,616,1093,2140,2722,1077,3396,671,2313,2688,1982,2428,3113 ]

246. 우선

247. Visualization을

248. 위해

250. 2차원,

251. 150건

252. 이상

253. 별점

254. 받은

256. 영화만

257. 학습

258. 하였습니다.

259. 학습 데이터셋 : MovieLen ml-last-small

260. Movie2Vec

261. 결과(60개

262. 영화)

263. userId

264. 3번의

265. 시청(별점)

266. 내역

267. 합쳐서

268. 보면

269. 영화

270. 시청의

271. 경향성

272. 있음

273. userId 1 userId 10userId 7 userId 2 사용자별

274. 다양한

275. 시청

276. 경향이

277. 나타남

279. 별점데이터 10만건 Vector 2차원 이런 조건에서도 영화 60편 그럴싸한 결과가 나오는듯함

280. 별점데이터 2,000만건 Vector 100차원 조건에서 영화 13,620편 Movie2Vec을 학습해 보자

281. Movie2vec

282. 학습 20m 별점 데이터 로드 Movie corpus 만들기 Word2Vec 학습 유사한 영화 찾기 쿼리 총 13 줄의 코드

283. Movie2vec

284. 학습 20m 별점 데이터 로드 트레이닝할 corpus 만들기 Word2Vec 학습 테스트 총 13 줄의 코드 ! 현재발표하는 맥북에어(2014’)에서 ! 학습 시간 : 단 8분!!

285. Movie2Vec

286. 추천

287. 만들기

290. 관심 영화 추천 관심 부류 영화 추천 1000개의 영화 부류People Who Liked This Also Liked..

291. 관심 영화 추천 ! People Who Liked This Also Liked

292. model.most_similar( positive=[‘유주얼 서스펙트’] ) Also Liked

293. IMDB 추천 결과Movie2Vec 결과 vs

294. Corpus 재구성 후 (3.0 미만 별점은 제외) Movie2Vec 결과 vs

295. Corpus 재구성 후 (3.0 미만 별점은 제외) Movie2Vec 결과 vs ! Word2Vec 학습 시 Corpus 구성 및 비교 테스트가 중요

296. 0.0 5.0 4.5 4.0 3.0 1.0 영화 유사도 1.0 0.0 나의 평점

297. 0.0 5.0 4.5 4.0 3.0 1.0 영화 유사도 1.0 0.0 나의 평점

298. 0.0 5.0 4.5 4.0 3.0 1.0 영화 유사도 1.0 0.0 나의 평점 인기도 추가

299. 0.0 5.0 4.5 4.0 3.0 1.0 영화 유사도 1.0 0.0 나의 평점 인기도 추가 개봉일

300. 0.0 5.0 4.5 4.0 3.0 1.0 영화 유사도 1.0 0.0 나의 평점 인기도 추가 개봉일 다양한 Feature(축) 를 추가하여 추천의 랭킹 문제를 풀수있습니다.

301. 관심 영화 부류 추천 1000개의 영화 부류

302. 넷플릭스의

303. 마이크로

304. 장르에

305. 대하여

306. 잠시

307. 알아보자

308. 76,894개

309. 마이크로

310. 장르 참고 : http://digxtal.com/insight/20140107/76897-altgenres/ 8~10 세를 위한 고양이가 나오는 폭력 스릴러 ! 악마 같은 아이가 나오는 컬트 공포 영화 유럽 배경의 60년대 영국 공상과학/판타지물 비평가들에게 호평받은 감동적 패배자 영화 ! … 나머지 76,894개 장르.

311. 개인화를

312. 위한

313. 세분화 참고 : http://digxtal.com/insight/20140107/76897-altgenres/ 지역(Region) + 수식어(Adjectives) + 장르(Noun Genre) + 원작(Based On…) + 배경(Set In…) + 시대(From the…) + 주제(About…) + 나이(For Age X to Y 그외에도 배우, 감독, 제작자 등으로 조합하여 분류 ! 영화 전문가 40명이 재택 알바로 영화 감상 후 1000개의 테그로 테깅 작업을 수행 후 영화를 군집화 시킴

314. 우리도

315. 비슷하게

316. 상세한

317. 영화

318. 부류를

319. 만들어

320. 보자

321. 영화 군집화 과정 영화를 중심 거리 기반으로 인접 영화끼리 군집화(K-Means) 군집화된 영화들의 Tag를 수집 Signs , My Big Fat Greek Wedding , Ice Age , Matrix Reloaded, The , I, Robot , Terminator 3: Rise of the Machines , Men in Black II (a.k.a. MIIB), A.I. , Ring, The , Star Wars: Episode II - Attack of the Clones sci-fi, artificial intelligence, robots, dystopia, virtual reality 30

322. 영화

323. 군집화

324. 결과

325. 영화

326. 군집화

327. 결과 30 32 34

328. 영화별

329. 인기

330. Tag만

331. 추리면 sci-fi, artificial intelligence, robots , dystopia, virtual reality 32 politics, based on a true story, India Woody Harrelson election tense, thriller, twist ending, Edward Norton, courtroom drama

333. 나의

334. 별점(시청)

335. 영화의

336. 부류(장르)

337. 비율로

338. 영화를

340. 감사합니다.

2015 py con word2vec이 추천시스템을 만났을때

More Related Content

What's hot (20)

Viewers also liked (8)

Similar to 2015 py con word2vec이 추천시스템을 만났을때 (20)

More from choi kyumin (10)

2015 py con word2vec이 추천시스템을 만났을때