23.07.26 수

오늘은 연구실에 왔다. 아직도 교수님과 말하는 게 어색하다. 어색하지 않게 말하려고 생각해갔는데 교수님이 잘 지내냐고 하자마자 바보같이 굴었다. 그래도 말끝은 흐리지 않았으니 굿이다.
 
1. 아침에 따듯한 물 한잔 O
2. 지하철 - 추천시스템 강의 O
 - deep learning for recomender system 1, 2, 3
3. chatGPT api 확인 O
4. 검색 과제 회의 준비 O
낮잠 및 휴식 O
5. 검색 과제 회의 O
6. 코딩테스트 연습 - 리스트 O
7. 연구 - 관련 논문 선정 및 읽기 O
낮잠 및 휴식 O
8. 연구 - float type 문제 해결 X
9. 사람에 대한 이해 O
10. 운동 - 하체 운동 20분 O
11. 밤산책 O
 
 
- 다른 분야에서는 딥러닝이 성능 향상에 매우 큰 영향을 미쳤지만 추천시스템에서는 그렇지 않다. 아마도 preference 신호가 너무 단순해서 딥러닝을 하지 않아도 될 정도로 쉽거나 너무 어려워서 아직까지 문제를 풀고 있지 못한 것일 수 있다. interaction을 non-linear로 대체해서 가장 먼저 시도된 deep collaborative filtering부터 rnn, gru를 활용해서 아이템의 순서를 맞추는 gru4rec 그리고 트랜스포머를 활용한 bert4rec도 소개가 됐다. auto encoder를 사용한 autorec도 소개가 됐는데 이건 원래 x를 복원하면서 저차원에서 충분하게 정보를 담는다는 점에서 요런 것도 내가 연구하고 있는 것에 사용해볼 수 있겠다는 생각이 들었다. (추가로, manifold도 배웠는데 복습하자면 high dimensional에서는 pattern을 파악할 수 없는데 dimension을 잘 reduction하면 오히려 데이터를 잘 나타내는 함수가 있다는 것이다. 이를 manifold learning이라고 한다. 그래서 x를 low dimension으로 바꾼다.)
 
- 연구실 선배님을 도와드렸다!
 
- 검색 회의 준비는 이번에는 별로할 게 없어서 금방 끝났다. 나중에 네이버 colbert 영상을 시청하면 도움이 되겠다.
 
- 검색 회의를 3시간 30분을 해서 너무 힘들다. 그래도 교수님께 좋다는 피드백을 받았다. 그리고 개인 면담에서는 추천 분야보다는 IR쪽 공부를 하면 좋겠다는 MUST는 아니지만 RECOMMENDATION을 받았다 뭔가 찜찜하다
 
- 리스트와 링크드 리스트를 복습하고 직접 구현해봤다.확실히 익숙해지고 있다.
 
- Explainable Recommendation via Interpretable Feature Mapping and Evaluation of Explainability, A Comprehensive Survey on Trustworthy Recommender Systems 앞으로 이 논문들을 읽고 요약해보고자 한다.