Graph for others.

Contents 1. torch.cat ㆍ This function is that concatenates the given sequence of tensors along the given dimension 2. torch.unbind ㆍ This function removes the tensor dimension specified by the argument 'dim(default dim=0)' and returns a tuple of slices of the tensor along the specified dim 3. torch.movedim ㆍ This function moves the dimensions of input at the position in source to the positions s..

Contents 1. Motif Motivation 2. Network Motif 3. Pysic power of Jure 4. Graphlets : Node Feature Vectors ( Extention of MOtifs) 5. How to find Motifs and Graphlets (ESU Algorithm) 6. Structural Roles in Networks 7. Discovering Structural Roles in the Network ( RolX Method) *subnetwork subnetworks or subgraphs are the building block of networks -> They have the power to characterize and discrimin..

if.kakao.com/session/93 Contents Push - Business Problem - Machine Learning System - Service Business Problem Prob1. 유저 활성화 1. 잘 안쓰는 사람이 쓰도록 만드는 것. 2. 이미 쓰는 사람이 더 많이 쓰게 만드는 것. 유저 활성화 라는 기준을 세움. 누구나 좋아할 만한 컨텐츠를 보내면 된다. * 누구나 라는 것에 대한 기준 은 ? Click 수 ? " 누구나 좋아할 콘텐츠는 흔하지 않다. " 다시, 풀려고 했던 문제 remind " 누구나 좋아할 콘텐츠를 보냈을 때의 성과를 누구나 좋아할 콘텐츠가 없더라도 꾸준히 내고 싶다." 전략 / 목표 세우기 전략 ; 개인화 유저가 좋아할 만한것을 잘 찾아서 보내기. 목..

www.youtube.com/watch?v=sp3kZwKKYfw&t=70s] 최근 GNN을 공부하고 있으며 실생활에 어떻게 GNN이 적용되는가에 대한 applications 를 많이 궁금해 하고 있었다. GNN 의 대략 3가지 task는 node classification / link prediction / graph classification . Data competition 인 Kaggle 에서 이러한 GNN task 를 통해 어떻게 실생활 문제를 해결하고자 다들 running 하였을까에 대한 호기심을 필두로 시작하였다. 2nd solution he said this solution of key point is 'Agumente of Data' # ARINE ? # 20 # RNA sequence i..

원문 ; towardsdatascience.com/the-future-of-visual-recommender-systems-four-practical-state-of-the-art-techniques-bae9f3e4c27f 점점 고도화된 기술에 따라 추천시스템도 자연스레 개인화를 넘어 초 개인화를 꿈꾸고 있다. 기술적인 혁신은 생활의 질을 향상시켜줄수 있음에도 불구하고 정밀 , 정확 하게 추천하고자 유저의 데이터를 torture 하여 나타난 feature 가 한편으론 Data privacy 라는 문제와 직면하게 된다고 생각하게된 계기가 오늘 발생하였다. '이루다' 라는 앱이 출시된 이후 다양한 이슈가 발생하였다. 그 이슈에 따라 여러 의견이 갈리며 최종적으로 현재는 많은 비난을 통해 안좋은 결말을 빚어내..

tv.naver.com/v/16970750 , DEVIEW2020 양질의 컨텐츠를 제공해주신 네이버 및 발표 연사님들에게 감사드립니다. 개인화 추천시스템의 세 단계 2. Bias Reduction # [time series] transformer 모델에 넣어줌. # 방법 1. 랜덤 데이터로 학습 의도 ; 일부 사용자들에게 모듈 순서를 랜덤으로 추천 / 해당 집단에서 구한 CTR 은 POsition Bias 약함. 장점 ; Position Bias가 없는 데이터 / 구현이 편함 단점 ; 데이터 크기가 매우 작음 / 사용자에게 같은 순서로만 추천되어 기호성을 확인하기 어려움 * Position Bias ; 공간적 정보 [ UI 에서 위로 올라가면 올라갈 수록 CTR ratio ↑ ] # 방법 2. CTR L..

https://eng.uber.com/uber-eats-graph-learning/ ' recommender system + graph neural network ' 기업 사례 _ Uber Graph learning in a nutshell The representations that we learn from graphs can encode properties of the structure of the graph and be easily used for the above-mentioned machine learning tasks. i.e.) to represent an eater in our Uber Eats model we don’t only use order history to inform order..

좋은 컨텐츠인 DEVIEW 를 제공해주신 NAVER , 그리고 연사님에게 감사드립니다. 네이버에서 뭐볼까? 뭐볼까 - AI 콘텐츠 추천 서비스 네이버에서 관심있는 , 여러 주제의 콘텐츠를 한곳에서 모아 보는 추천 서비스 방문자수 + 클릭수 ; 페이스북, 인스타그램, 틱톡 가볍게 보는 서비스 체류시간 + 리텐션 ; 유튜브, 넷플릭스, 시리즈on 마음먹고 보는 서비스 Challenges 2019/10월 MY구독 추천 출시부터, 2020/11월 뭐볼까 출시까지 효과적인 콘텐츠 추천을 위한 많은 고민과 개선 사항들. ① 추천콘텐츠 정제 다양한 주제와 여러 종류의 콘텐츠를 추천하기 위해 어떻게 정재해야 할까? --> 주제 분류기, 이미지 분류기, CMS ② AI 추천 모델 사용자의 이용 패턴에 맞는 효과적인 추천..

https://tv.naver.com/v/16968269 Deview_유저가 좋은 작품(웹툰)를 만났을 때 세션을 보고 작성하였습니다. 좋은 콘텐츠를 제공해주신 네이버 그리고 연사님에게 감사드립니다. 추천 시스템의 목적 사용자가 좋아할만한 아이템을 추천해 주는 것 소비자와 공급자 관점에서 추천 시스템의 목적 추천으로 유명한 회사들 각각의 목표는? Netflix ; Member satifaction and retention Spotify ; Match fans and artist, Enjoy listening Youtube ; Keep User Entertained and Engaged --> 소비자 관점의 추천을 목표로 함. 픽코마(웹툰) 추천 시스템 background ; 픽코마 UX 전반에 걸쳐 개인..

Source ; deview.kr/2020/sessions 이 포스팅은 DEVIEW2020 세션 중 장소 개인화 추천 시스템의 비밀에서 배운 것을 토대로 작성했습니다. 좋은 콘텐츠 제공해주신 네이버 및 연사분에게 감사드립니다 :) Contents 1. 오늘 저녁, 지금 여기에서 어디에서 저녁을 먹어야할지 고민된다면? 2. 장소 개인화 추천 시스템 3. '오늘의 PICK'을 통해 풀어나간 문제들 4. Lesson Learned (a.k.a. It's Real World!) 5. 더 풀어야하는 숙제들 2. 장소 개인화 추천 시스템 스마트어라운드 취향에 맞는 식당을 집어주면 좋겠다 [유저의 니즈] -> "장소 개인화 추천 서비스" 구성요소 1. Location ; ' 이 지역은 어떤 특성을 가진 지역일까? '..