행렬 분해 모델을 사용하여 명시적 의견을 기반으로 추천 생성

데이터 세트 생성

ML 모델을 저장할 BigQuery 데이터 세트를 만듭니다.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery 페이지로 이동

2. 탐색기 창에서 프로젝트 이름을 클릭합니다.

3. more_vert 작업 보기 > 데이터 세트 만들기를 클릭합니다.

   

4. 데이터 세트 만들기 페이지에서 다음을 수행합니다.

   • 데이터 세트 ID에 bqml_tutorial를 입력합니다.

   • 위치 유형에 대해 멀티 리전을 선택한 다음 US(미국 내 여러 리전)를 선택합니다.

     공개 데이터 세트는 US 멀티 리전에 저장됩니다. 편의상 같은 위치에 데이터 세트를 저장합니다.

   • 나머지 기본 설정은 그대로 두고 데이터 세트 만들기를 클릭합니다.

     

Movielens 데이터 업로드

bq 명령줄 도구를 사용하여 movielens1m 데이터를 BigQuery에 업로드합니다.

movielens1m 데이터를 업로드하려면 다음 단계를 따르세요.

1. Cloud Shell을 엽니다.

   Cloud Shell 활성화

2. 평점 데이터를 ratings 테이블에 업로드합니다. 명령줄에 다음 쿼리를 붙여넣고 Enter 키를 누릅니다.

   curl -O 'http://files.grouplens.org/datasets/movielens/ml-1m.zip'
   unzip ml-1m.zip
   sed 's/::/,/g' ml-1m/ratings.dat > ratings.csv
   bq load --source_format=CSV bqml_tutorial.ratings ratings.csv \
     user_id:INT64,item_id:INT64,rating:FLOAT64,timestamp:TIMESTAMP
   

3. 영화 데이터를 movies 테이블에 업로드합니다. 명령줄에 다음 쿼리를 붙여넣고 Enter 키를 누릅니다.

   sed 's/::/@/g' ml-1m/movies.dat > movie_titles.csv
   bq load --source_format=CSV --field_delimiter=@ \
   bqml_tutorial.movies movie_titles.csv \
   movie_id:INT64,movie_title:STRING,genre:STRING
   

모델 만들기

행렬 분해 모델을 만들고 ratings 테이블의 데이터로 학습시킵니다. 이 모델은 고객이 제공한 영화 평점을 기반으로 모든 사용자-항목 쌍의 평점을 예측하도록 학습됩니다.

다음 CREATE MODEL 문은 다음 열을 사용하여 맞춤 콘텐츠를 생성합니다.

• user_id: 사용자 ID입니다.
• item_id: 영화 ID입니다.
• rating: 사용자가 항목에 부여한 1~5의 명시적 평점입니다.

모델을 만들려면 다음 단계를 따르세요.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행을 클릭합니다.

   CREATE OR REPLACE MODEL `bqml_tutorial.mf_explicit`
     OPTIONS (
       MODEL_TYPE = 'matrix_factorization',
       FEEDBACK_TYPE = 'explicit',
       USER_COL = 'user_id',
       ITEM_COL = 'item_id',
       L2_REG = 9.83,
       NUM_FACTORS = 34)
   AS
   SELECT
     user_id,
     item_id,
     rating
   FROM `bqml_tutorial.ratings`;

   쿼리를 완료하는 데 약 10분이 소요되며 이후에는 mf_explicit 모델이 탐색기 창에 표시됩니다. 이 쿼리에서는 CREATE MODEL 문을 사용하여 모델을 만들므로 쿼리 결과가 표시되지 않습니다.

학습 통계 가져오기

원하는 경우 Google Cloud 콘솔에서 모델의 학습 통계를 볼 수 있습니다.

머신러닝 알고리즘은 다양한 매개변수를 사용하여 모델을 여러 번 반복한 후 손실을 최소화하는 모델 버전을 선택하여 모델을 빌드합니다. 이 프로세스를 경험적 위험 최소화라고 합니다. 모델의 학습 통계를 사용하면 모델의 각 반복과 관련된 손실을 확인할 수 있습니다.

모델의 학습 통계를 보려면 다음 단계를 따르세요.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 탐색기 창에서 프로젝트를 펼치고 bqml_tutorial 데이터 세트를 펼친 다음 모델 폴더를 펼칩니다.

3. mf_explicit 모델을 클릭한 다음 학습 탭을 클릭합니다.

4. 보기 섹션에서 표를 클릭합니다. 결과는 다음과 비슷하게 표시됩니다.

   +-----------+--------------------+--------------------+
   | Iteration | Training Data Loss | Duration (seconds) |
   +-----------+--------------------+--------------------+
   |  11       | 0.3943             | 42.59              |
   +-----------+--------------------+--------------------+
   |  10       | 0.3979             | 27.37              |
   +-----------+--------------------+--------------------+
   |   9       | 0.4038             | 40.79              |
   +-----------+--------------------+--------------------+
   |  ...      | ...                | ...                |
   +-----------+--------------------+--------------------+
   

   학습 데이터 손실 열은 모델 학습 후 계산된 손실 측정항목을 나타냅니다. 행렬 분해 모델이므로 이 열에는 평균 제곱 오차가 표시됩니다.

ML.TRAINING_INFO 함수를 사용하여 모델 학습 통계를 확인할 수도 있습니다.

모델 평가

ML.EVALUATE 함수를 사용하여 모델의 성능을 평가합니다. ML.EVALUATE 함수는 모델에서 반환한 예측 영화 평점을 학습 데이터의 실제 사용자 영화 평점과 비교하여 평가합니다.

모델을 평가하려면 다음 단계를 따르세요.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행을 클릭합니다.

   SELECT
     *
   FROM
     ML.EVALUATE(
       MODEL `bqml_tutorial.mf_explicit`,
       (
         SELECT
           user_id,
           item_id,
           rating
         FROM
           `bqml_tutorial.ratings`
       ));

   결과는 다음과 비슷하게 표시됩니다.

   +---------------------+---------------------+------------------------+-----------------------+--------------------+--------------------+
   | mean_absolute_error | mean_squared_error  | mean_squared_log_error | median_absolute_error |      r2_score      | explained_variance |
   +---------------------+---------------------+------------------------+-----------------------+--------------------+--------------------+
   | 0.48494444327829156 | 0.39433706592870565 |   0.025437895793637522 |   0.39017059802629905 | 0.6840033369412044 | 0.6840033369412264 |
   +---------------------+---------------------+------------------------+-----------------------+--------------------+--------------------+
   

   평가 결과에서 중요한 측정항목은 R² 점수입니다. R² 점수는 선형 회귀 예측이 실제 데이터에 가까운지 알 수 있는 통계 척도입니다. 0 값은 모델이 평균 주위 응답 데이터의 변동성을 전혀 설명하지 못한다는 것을 나타냅니다. 1 값은 모델이 평균 주위 응답 데이터의 변동성을 모두 설명한다는 것을 나타냅니다.

   ML.EVALUATE 함수 출력에 관한 자세한 내용은 행렬 분해 모델을 참고하세요.

또한 입력 데이터를 제공하지 않고 ML.EVALUATE를 호출할 수도 있습니다. 그러면 학습 중에 계산된 평가 측정항목을 사용합니다.

사용자-항목 쌍의 하위 집합에 대한 예측 평점 가져오기

ML.RECOMMEND를 사용하여 5명의 사용자에 대해 각 영화의 예측 평점을 가져옵니다.

예측 평점을 가져오려면 다음 단계를 따르세요.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행을 클릭합니다.

   SELECT
     *
   FROM
     ML.RECOMMEND(
       MODEL `bqml_tutorial.mf_explicit`,
       (
         SELECT
           user_id
         FROM
           `bqml_tutorial.ratings`
         LIMIT 5
       ));

   결과는 다음과 비슷하게 표시됩니다.

   +--------------------+---------+---------+
   | predicted_rating   | user_id | item_id |
   +--------------------+---------+---------+
   | 4.2125303962491873 | 4       | 3169    |
   +--------------------+---------+---------+
   | 4.8068920531981263 | 4       | 3739    |
   +--------------------+---------+---------+
   | 3.8742203494732403 | 4       | 3574    |
   +--------------------+---------+---------+
   | ...                | ...     | ...     |
   +--------------------+---------+---------+
   

추천 생성

예측 평점을 사용하여 각 사용자에게 추천할 상위 5개 영화를 생성합니다.

맞춤 콘텐츠를 생성하려면 다음 단계를 따르세요.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 예측된 평점을 테이블에 씁니다. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행을 클릭합니다.

   CREATE OR REPLACE TABLE `bqml_tutorial.recommend`
   AS
   SELECT
     *
   FROM
     ML.RECOMMEND(MODEL `bqml_tutorial.mf_explicit`);

3. 예상 평점을 영화 정보와 조인하고 사용자당 상위 5개 결과를 선택합니다. 쿼리 편집기에 다음 쿼리를 붙여넣고 실행을 클릭합니다.

   SELECT
     user_id,
     ARRAY_AGG(STRUCT(movie_title, genre, predicted_rating) ORDER BY predicted_rating DESC LIMIT 5)
   FROM
     (
       SELECT
         user_id,
         item_id,
         predicted_rating,
         movie_title,
         genre
       FROM
         `bqml_tutorial.recommend`
       JOIN
         `bqml_tutorial.movies`
         ON
           item_id = movie_id
     )
   GROUP BY
     user_id;

   결과는 다음과 비슷하게 표시됩니다.

   +---------+-------------------------------------+------------------------+--------------------+
   | user_id | f0_movie_title                      | f0_genre               | predicted_rating   |
   +---------+-------------------------------------+------------------------+--------------------+
   | 4597    | Song of Freedom (1936)              | Drama                  | 6.8495752907364009 |
   |         | I Went Down (1997)                  | Action/Comedy/Crime    | 6.7203235758772877 |
   |         | Men With Guns (1997)                | Action/Drama           | 6.399407352232001  |
   |         | Kid, The (1921)                     | Action                 | 6.1952890198126731 |
   |         | Hype! (1996)                        | Documentary            | 6.1895766097451475 |
   +---------+-------------------------------------+------------------------+--------------------+
   | 5349    | Fandango (1985)                     | Comedy                 | 9.944574012151549  |
   |         | Breakfast of Champions (1999)       | Comedy                 | 9.55661860430112   |
   |         | Funny Bones (1995)                  | Comedy                 | 9.52778917835076   |
   |         | Paradise Road (1997)                | Drama/War              | 9.1643621767929133 |
   |         | Surviving Picasso (1996)            | Drama                  | 8.807353289233772  |
   +---------+-------------------------------------+------------------------+--------------------+
   | ...     | ...                                 | ...                    | ...                |
   +---------+-------------------------------------+------------------------+--------------------+