Movie Recommendation

👋 RECCAR 팀원 소개

김성연	배성재	양승훈	조수연	홍재형	황선태

🏆️ 프로젝트 목표

• 사용자의 영화 시청 이력 데이터를 바탕으로, 사용자가 다음에 시청할 영화 및 좋아할 영화를 추천

💻 활용 장비

• GPU Tesla V100-PCIE-32GB

🙋🏻‍♂️🏻‍♀️ 프로젝트 팀 구성 및 역할

• 김성연 : EDA / 전반적인 팀 프로젝트 타임라인 설정 / Rule-based 모델 설계 / 베이스라인 주석 추가 및 개선 작업
• 배성재 : AutoEncoder 및 glocal-K 모델 적용, EASE 모델 적용 및 파라미터 튜닝, 베이스라인 주석 추가
• 양승훈 : EDA / 베이스라인 주석 추가 및 개선 작업 / MF 모델 직접 구현 및 적용
• 조수연 : EASE 모델 적용 / lightFM 모델 적용
• 홍재형 : AutoEncoder 적용 / 베이스라인 주석 추가 / 미션 제출 코드 작성
• 황선태 : 대회 미션 과제 주석 추가 / 베이스라인 주석 추가

👨‍👩‍👧‍👦 협업 방식

a. Zoom (Google Meet)

b. Notion

c. Slack

d. Google Docs

🎢 프로젝트 수행 절차

1. EDA

2. Rule-based Model

3. SASRec Model (S3-Rec with no Pre-training)

4. Hyperparameter Tuning (Wandb)

5. Ensemble (SASRec + EASE)

⌨️ Model Architecture

자세한 진행 과정은 발표자료 내 PDF 파일을 참고해주세요!

Rule-Base 모델

Model_ipynb/KSY_rulbase.ipynb 실행

S3-Rec 모델 (Baseline)

영화 추천 대회를 위한 S3-Rec 베이스라인 코드입니다.
다음 코드를 대회에 맞게 재구성 했습니다.

• 논문 링크: https://arxiv.org/abs/2008.07873
• 코드 출처: https://github.com/aHuiWang/CIKM2020-S3Rec

Installation

pip install -r requirements.txt

How to run

0. Encoding

   ensamble.ipynb로 인코딩 된 train_new 파일 생성
   

1. Pretraining

   python run_pretrain.py
   

2. Fine Tuning (Main Training)
   1. with pretrained weight

      python run_train.py --using_pretrain
      

   2. without pretrained weight

      python run_train.py
      

3. Inference

   python inference.py
   

4. Decoding

   ensamble.ipynb로 디코딩 된 submission.csv 파일 생성
   

EASE

EASE/bae_EASE.ipynb 실행

Ensemble

ensemble.ipynb 실행

💯 프로젝트 수행 결과 - 최종 Private 2등

• Private 리더보드 스코어 Recall@10 기준으로 순위 선정

리더보드	Recall@10	순위
public	0.1869	2위
private	0.1699	최종 2위