행렬 분해 모델을 사용하여 명시적 의견을 기반으로 추천 생성

---

이 튜토리얼에서는 행렬 분해 모델을 만들고 movielens1m 데이터 세트의 고객 영화 평점을 사용하여 학습하는 방법을 설명합니다. 그런 다음 행렬 분해 모델을 사용하여 사용자에게 영화 추천을 생성합니다.

고객이 제공한 평점을 사용하여 모델을 학습하는 것을 명시적 의견을 사용한 학습이라고 합니다. 명시적 의견을 학습 데이터로 사용하는 경우 행렬 분해 모델은 Alternating Least Squares(ALS) 알고리즘을 사용하여 학습됩니다.

중요: 행렬 분해 모델을 사용하려면 예약이 있어야 합니다. 자세한 내용은 가격 책정을 참조하세요.

목표

이 튜토리얼에서는 다음 작업을 완료하는 방법을 안내합니다.

• CREATE MODEL 문을 사용하여 행렬 분해 모델을 만듭니다.
• ML.EVALUATE 함수를 사용하여 모델을 평가합니다.
• ML.RECOMMEND 함수와 함께 모델을 사용하여 사용자에게 영화 추천을 생성합니다.

비용

이 튜토리얼에서는 다음을 포함하여 Google Cloud의 청구 가능한 구성요소가 사용됩니다.

• BigQuery
• BigQuery ML

BigQuery 비용에 대한 자세한 내용은 BigQuery 가격 책정 페이지를 참조하세요.

BigQuery ML 비용에 대한 자세한 내용은 BigQuery ML 가격 책정을 참조하세요.

시작하기 전에

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Make sure that billing is enabled for your Google Cloud project.

4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

5. Make sure that billing is enabled for your Google Cloud project.

6. BigQuery는 새 프로젝트에서 자동으로 사용 설정됩니다. 기존 프로젝트에서 BigQuery를 활성화하려면 다음으로 이동합니다.

   Enable the BigQuery API.

   Enable the API

필수 권한

• 데이터 세트를 만들려면 bigquery.datasets.create IAM 권한이 필요합니다.

• 연결 리소스를 만들려면 다음 권한이 필요합니다.

  • bigquery.connections.create
  • bigquery.connections.get

• 모델을 만들려면 다음 권한이 필요합니다.

  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData
  • bigquery.connections.delegate

• 추론을 실행하려면 다음 권한이 필요합니다.

  • bigquery.models.getData
  • bigquery.jobs.create

BigQuery에서 IAM 역할 및 권한에 대한 자세한 내용은 IAM 소개를 참조하세요.

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. 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  |
   +---------+-------------------------------------+------------------------+--------------------+
   | ...     | ...                                 | ...                    | ...                |
   +---------+-------------------------------------+------------------------+--------------------+
   

삭제

이 튜토리얼에서 사용된 리소스 비용이 Google Cloud 계정에 청구되지 않도록 하려면 리소스가 포함된 프로젝트를 삭제하거나 프로젝트를 유지하고 개별 리소스를 삭제하세요.

• 만든 프로젝트를 삭제할 수 있습니다.
• 또는 프로젝트를 유지하고 데이터 세트를 삭제할 수 있습니다.

데이터 세트 삭제

프로젝트를 삭제하면 프로젝트의 데이터 세트와 테이블이 모두 삭제됩니다. 프로젝트를 다시 사용하려면 이 가이드에서 만든 데이터 세트를 삭제할 수 있습니다.

1. 필요한 경우 Google Cloud 콘솔에서 BigQuery 페이지를 엽니다.

   BigQuery 페이지로 이동

2. 앞서 만든 bqml_tutorial 데이터 세트를 탐색에서 선택합니다.

3. 창의 오른쪽에 있는 데이터 세트 삭제를 클릭합니다. 데이터 세트, 테이블, 모든 데이터가 삭제됩니다.

4. 데이터 세트 삭제 대화상자에서 데이터 세트 이름(bqml_tutorial)을 입력하고 삭제를 클릭하여 삭제 명령어를 확인합니다.

프로젝트 삭제

프로젝트를 삭제하는 방법은 다음과 같습니다.

주의: 프로젝트를 삭제하면 다음과 같은 효과가 발생합니다.

• 프로젝트의 모든 항목이 삭제됩니다. 이 문서의 태스크에 기존 프로젝트를 사용한 경우 프로젝트를 삭제하면 프로젝트에서 수행한 다른 작업도 삭제됩니다.
• 커스텀 프로젝트 ID가 손실됩니다. 이 프로젝트를 만들 때 앞으로 사용할 커스텀 프로젝트 ID를 만들었을 수 있습니다. appspot.com URL과 같이 프로젝트 ID를 사용하는 URL을 보존하려면 전체 프로젝트를 삭제하는 대신 프로젝트 내에서 선택한 리소스만 삭제합니다.

여러 아키텍처, 튜토리얼, 빠른 시작을 살펴보려는 경우 프로젝트를 재사용하면 프로젝트 할당량 한도 초과를 방지할 수 있습니다.

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

다음 단계

• 암시적 의견을 기반으로 행렬 분해 모델을 만들어 보세요.
• BigQuery ML 개요는 BigQuery ML 소개를 참조하세요.
• 머신러닝에 대한 자세한 내용은 머신러닝 단기집중과정을 참조하세요.