내맘대로 공부 기록장

이번 강의의 큰 줄기는 이거다.추천(recommendation)은 결국 사용자–아이템 상호작용을 미래에 예측하는 문제다.이걸 그래프(특히 사용자–아이템 이분 그래프)로 모델링하면 자연스럽게 링크 예측(link prediction)이 된다.실무 시스템은 “점수 계산”만이 아니라 후보 생성 → 랭킹 → 후처리로 이어지는 큰 파이프라인이고,임베딩 기반 방법이 강력한 이유(= 협업 필터링 직관)가 있다.그리고 GNN을 추천에 적용한 대표 흐름이 NGCF → LightGCN → PinSAGE(산업 배포)로 이어진다.1. 추천 시스템의 동기: “재고가 무한대에 가까운 세상”오프라인 매장은 공간이 제한돼서 선택지가 물리적으로 줄지만, 온라인은 재고(inventory)가 사실상 무한대에 가깝습니다. 그러면 사용자는 “..

(Path Queries → Conjunctive Queries → Query2Box / Box Embeddings / AND-OR(DNF))10강이 “이종 그래프 + KG completion(링크 예측)”이었다면, 11강은 한 단계 더 나아가서 이렇게 묻는다.임베딩만으로 지식 그래프에서 ‘추론(reasoning)’을 할 수 있을까?(그래프가 불완전해도, 멀티홉 질의/논리 질의에 답할 수 있을까?)핵심은 “그래프를 탐색(traversal)하는 방식”을 버리고,질의(query) 자체를 임베딩해서 답을 예측하는 predictive query 관점으로 바꾸는 것이다.0) 문제 설정: KG는 거대하고… 불완전하다지식 그래프(KG)는 엔티티와 관계로 이루어진다.엔티티: drug / disease / advers..

(R-GCN + KG Embedding + Negative Sampling + Hits@K/MRR)9강에서 “GNN이 무엇을 구분할 수 있나(표현력)”를 이론으로 봤다면, 10강은 다시 응용으로 돌아오되 그래프가 더 현실적으로 복잡해지는 순간을 다룬다.바로 이종 그래프(heterogeneous graph), 그리고 그 대표 사례인 지식 그래프(Knowledge Graph, KG)다.0) 왜 10강이 중요한가?지금까지는 “노드 타입 1개 + 엣지 타입 1개”인 단순 그래프만 다뤘다.하지만 현실 데이터는 대부분 이렇다:노드 타입이 여러 개 (사람/회사/질병/약물/논문/저자/학회…)관계(엣지) 타입도 여러 개 (treats, causes, cites, works_at, located_in…)즉 그래프의 한 엣..

6강에서 우리는 GNN을 직관적으로 잡았다.“노드는 이웃에서 정보를 모아서(aggregate) 자기 표현을 업데이트한다.”7강은 여기서 한 단계 더 나가서,GNN을 일반적인 형태로 수학적으로 정식화하고GCN/GraphSAGE/GAT 같은 모델들을 하나의 프레임워크로 묶고“좋은 GNN”을 만들 때 우리가 선택할 수 있는 설계 공간(design space)을 쭉 펼쳐 보여주는 강의다. 0) 오늘 강의가 던지는 큰 그림그래프를 입력으로 받아서, 딥 네트워크(비선형 변환 여러 층)를 거친 뒤…노드 수준 예측 (node classification 등)서브그래프/그래프 수준 예측 (graph classification)노드쌍 예측 (link prediction)기타 등등이걸 다 할 수 있는 Deep Graph En..