Jung Han
맨날 공부중
11주차 캡스톤 발표
강추조
이강호(14), 한정(11)
목차
- 지난수업 의견 피드백
- 간트차트 수정 및 진행정도
- Q&A
Similarity(유사도) 찾기
- Cosine Similarity 의 의미
> 내적공간의 두 벡터간 각도의 코사인 값을 이용하여 유사한 정도를 측정
> 두 벡터의 방향이 같으면 1, 완전히 다른 반대가 될 경우 -1, 독립적인 경우 0
> 양수 공간이라는 조건만 만족하면 얼마나 많은 차원 공간에서든지 사용가능
(추천 시스템은 양수 공간이므로 사용이 가능하다!)
Gantt chart
진행사항
10일 현재
Recommendation part
1. 크롤링 및 데이터 가공 완료
courses
Majorcourses
Majorcourses
Recommendable Courses
Recommendation part
2-1. 임시 데이터 생성
Users
User Recommendations
Recommendation part
2-1. 예측 점수는 어떤 과정으로?
similarity 계산
유사집단 추출(최대 20명)
그 집단에서의 과목당
각 similarity 총 합을 구함
PreScore = \sum_{k=1}^n (U_kSimilarityRate*U_kScore)
SimilarityRate = \frac{UserSimilarity}{\sum_{k=1}^n U_kSimilarity}
Recommendation part
2-1. 예측 점수는 어떤 과정으로?(예시)
| user | score | similarity |
|---|---|---|
| A | ||
| B | 4 | 0.85 |
| C | 2 | 0.5 |
| D | 1 | 0.3 |
= \frac{0.85}{0.85 + 0.5 + 0.3} = 0.51515..
B의 유사도 비율
C의 유사도 비율
D의 유사도 비율
= \frac{0.5}{0.85 + 0.5 + 0.3} = 0.30303...
= \frac{0.3}{0.85 + 0.5 + 0.3} = 0.18181...
Recommendation part
2-1. 예측 점수는 어떤 과정으로?(예시)
| user | score | similarity |
|---|---|---|
| A | ||
| B | 4 | 0.85 |
| C | 2 | 0.5 |
| D | 1 | 0.3 |
= 0.51515 * 4 + 0.30303 * 2 + 0.18181 * 1
A의 예측점수
= 2.0606 + 0.6060 + 0.1818
= 2.9
유사한 집단들 위주로 계산을 할 경우 정확도가 더 올라갈 것!
Recommendation part
2-1. 예측 점수는 어떤 과정으로?
결과 Data
DB table에 저장
코드에 맞는
추천과목을 찾아 추천!
Application part
- 로그인 관련 API
- 로그인 관련 페이지
- 시간표 작성 frontend page
Application part
- 로그인 관련 API
- 쿠키를 사용하는 방식이 아닌 JWT를 사용
- /api/auth (POST) - 유저 로그인
- /api/auth (GET) - 현재 로그인된 유저 정보 가져오기
- /api/user (POST) - 회원가입
- /api/auth/password (POST) 비밀번호 리셋 메일 전송
- /api/auth/password/:hash (POST) 비밀번호 리셋 확인
Application part
2. 로그인 관련 페이지
Application part
2. 로그인 관련 페이지
Application part
2. 로그인 관련 페이지
Application part
3. 시간표 관련 API
- /api/course/search (GET) - 과목 검색
- /api/term (GET) - 학기와 그리고 저장된 스케줄 가져오기
- /api/schedule (POST) - 시간표 저장
- /api/schedule/:id (DELETE) - 시간표 삭제
- /api/schedule/:id (PUT) - 시간표 수정
Application part
4. 시간표 관련 페이지
Q&A
감사합니다.
11주차 캡스톤 발표
By Jung Han
