<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="용산마사지샵" class="seo-link good-link">용산마사지샵</a> 앞으로 필자는 몇 달 동안 SF소설속으로 여행을 떠나 볼 생각이다. William Gibson의 Neuromancer로부터 Francis Bacon의 New Atlantis까지 대략 20여권의 소설들을 방문해볼 예정이다. 물론 독자들이 좋아한다면 말이다. 아는 만큼 보인다는 말이 있다
<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="용산발마사지" class="seo-link good-link">용산발마사지</a> 이 소설들 속으로 발도장을 찍은 사람은 SF영화 장면 하나하나가 훨씬 더 풍성하게 느껴질 것이다. 그리고 IT분야나 미래에 조금이라도 관심이 있는 사람들은 미래를 그려내는 생각의 소재로 이 소설들을 필독하는 것을 추천한다.

아마존, 넷플릭스, 아이튠(iTune), 유튜브, 스포티파이(Spotify), IMDb 같은 온라인 서비스 기업은 어떤 방법으로 새 상품을 추천할까? 아마존의 경우 매출의 35%가 추천 시스템에 기인하고, 넷플릿스는 80%에 달한다 하니 기업의 흥망성쇠가 추천에 달렸다해도 과장은 아니다.

사용자에 많은 부류가 있고, 또 아이템에도 많은 부류가 있으니 서로 궁합이 맞는 쌍을 연결하는 것이 추천 시스템의 핵심이다. 특히, 이를 시행하기위해 ‘여러 사용자의 선호도’를 반영한 과거 데이터를 이용하는 방식을 협업 필터링(Collaborative filtering)이라 부르며, 여기에 임베딩을 사용하는 방식을 여기 소개한다. 먼저 임베딩에 대한 복습으로 시작한다..