<a href="https://massagereview.co.kr/include/category_view.php?code=area&wr_area[]=%EC%84%9C%EC%9A%B8&wr_area[]=%EC%9D%80%ED%8F%89%EA%B5%AC" target="_blank" rel="noopener" title="은평마사지" class="seo-link good-link">은평마사지</a> 시청자 A가 영화 B를 좋아한다면, 둘의 임베딩은 어느 정도 겹칠 것이다. 즉, A는 ‘모험=1’이고 ‘낭만=0’ 라면, 그는 그와 비슷한 영화 B(예, 0.9, 0.1)를 좋아한다. 즉, A와 B가 벡터상으로 비슷하면, 이 말은 곧 A와 B의 유사도 측정값, 두 벡터의 내적 값이 0.9처럼 크다는 것을 뜻한다.

<a href="https://massagereview.co.kr/include/category_view.php?code=area&wr_area[]=%EC%84%9C%EC%9A%B8&wr_area[]=%EC%9A%A9%EC%82%B0%EA%B5%AC" target="_blank" rel="noopener" title="용산타이마사지" class="seo-link good-link">용산타이마사지</a> 즉 ‘궁합이 맞다’는 우리말은 수학적으로 ‘내적 값이 크다’로 해석된다. 지금 마침 한 시청자가 도착하여 넷플릭스에 로그인하면, 사이트는 매칭 프로세스를 시작한다. 사이트는 그 시청자의 계정에 연결된 임베딩을 알고 있다. 시청자와 그가 아직 시청하지 않은 100개 영화들 사이의 유사도 측정값을 하나씩 계산한다. 그 결과, 사이트는 가장 높은 순위의 영화를 추천할 것이다.

그렇다면, 시청자와 영화의 임베딩은 어떻게 얻을 수 있을까? 그저 우리가 속성별로 벡터 숫자를 메길까? 아니다. 여기에 모델의 절묘한 한 수가 있다. 먼저, ‘피드백 행렬’을 준비한다. 엑셀 스프레드시트에 큰 테이블을 만든다. 가장 왼쪽 열에 시청자들의 이름을 나열하고, 맨 위 행에 영화의 이름을 나열한다. 다음, 테이블의 셀을 채운다. 시정자 A가 영화 B를 보았다면 해당 행과 열이 만나는 셀에 1을 입력한다. 그렇지 않다면 0을 입력한다. 이 테이블 Z를 ‘피드백 행렬’ 혹은 ‘상호관련 행렬’이라고 한다. 이것은 시청자와 영화 사이의 관계를 데이터로 보여준다. 이제 드디어 임베딩이 등장한다. 이제 그 행렬 Z를 두 개의 행렬, 즉 시청자 임베딩 행렬 X와 영화 임베딩 행렬 Y의 곱(Z=XYT)으로 표현한다. 이렇게 하면 두 개의 임베딩 행렬 X, Y를 동시에 추출할 수 있다..