README.md

[RecSys] Book Rating Prediction

사용자의 책 평점 데이터를 바탕으로 사용자의 평점을 예측

💻 Wrap-up Report 바로가기

🗒️ 데이터 출처

Contents

Team Members

Project Introduction

Architecture

Score Record (RMSE)

Getting Started

Team Members

강수헌_T4003	박경준_T4076	박용욱_T4088	오희정_T4129	정소빈_4196
Github	Github	Github	Github	Github
soso6079@naver.com	rudwns708.14564@gmail.com	oceanofglitta@gmail.com	ohhj1999@gmail.com	sobing98@gmail.com

Project Introduction

프로젝트 주제	사용자의 책 평점 데이터를 바탕으로 사용자가 어떤 책을 더 선호할지 예측
프로젝트 개요	부스트캠프 Level1-U stage 강의를 통해 배운 내용을 바탕으로, 모델을 설계하고 학습하며 추론을 통해 나온 결과를 바탕으로 순위 산정하는 방식
활용 장비 및 재료	• 서버: Tesla V100, 88GB RAM Server • 개발 IDE: Jupyter Notebook, VS Code • 협업 Tool: Notion, Slack, Zoom
Metric	RMSE Score
Dataset	• books.csv : 149,570개의 책(item)에 대한 정보를 담고 있는 메타데이터 • users.csv : 68,092명의 고객(user)에 대한 정보를 담고 있는 메타데이터 • train_ratings.csv : 59,803명의 사용자(user)가 129,777개의 책(item)에 대해 남긴 306,795건의 평점(rating) 데이터
기대 효과	사용자의 책 평점을 예측하는 모델을 개발하고, 이 모델이 사용자에게 책을 추천할 때 좋은 기준이 될 수 있을 것이다.

프로젝트 구조도

데이터 구조도

Architecture

분류	내용
아키텍처	FactorizationMachineModel + FieldAwareFactorizationMachineModel + DeepCrossNetworkModel
LB점수(8/14등)	• public : 2.1407 • private : 2.1409
Training Feature	user_id, isbn, age, publisher, language, location country, year of publication, book author, category (book title, city, state를 제외하고 나머지를 학습에 사용함)
데이터	• user_id: 고유번호 • location: city이용해 state, country결측치 처리 • age: pseudo labeling로 결측치 처리 • publisher, language: isbn이용해 결측치 처리
앙상블 방법	1번 학습 방법으로 FM+FFM+HOFM+DCN을 optimal_weighted로 묶고 2번 학습 방법으로 FM+FFM+DCN을 optimal_weighted로 묶고 (1+2)/2 방식으로 앙상블을 진행함.

Score Record (RMSE)

private board evaluation

public board evaluation

Getting Started

• requirements : install requirements

pip install -r requirements.txt

• train & Inference : main.py

python main.py --MODEL FM --DATA_PATH data

options