level1_bookratingprediction-recsys-07

일반적으로 책 한 권은 원고지 기준 800~1000매 정도 되는 분량을 가지고 있습니다.
뉴스기사나 짧은 러닝 타임의 동영상처럼 간결하게 콘텐츠를 즐길 수 있는 ‘숏폼 콘텐츠’는 소비자들이 부담 없이 쉽게 선택할 수 있지만, 책 한권을 모두 읽기 위해서는 보다 긴 물리적인 시간이 필요합니다. 또한 소비자 입장에서는 제목, 저자, 표지, 카테고리 등 한정된 정보로 각자가 콘텐츠를 유추하고 구매 유무를 결정해야 하기 때문에 상대적으로 선택에 더욱 신중을 가하게 됩니다.
해당 경진대회는 이러한 소비자들의 책 구매 결정에 대한 도움을 주기 위한 개인화된 상품 추천 대회입니다.
책과 관련된 정보와 소비자의 정보, 그리고 소비자가 실제로 부여한 평점, 총 3가지의 데이터 셋(users.csv, books.csv, train_ratings.csv)을 활용하여 이번 대회에서는 각 사용자가 주어진 책에 대해 얼마나 평점을 부여할지에 대해 예측하게 됩니다.

Contributors


강은비	김철현	이한정	최민수
EDA, 데이터 전처리, LGBM 최적화	EDA, 데이터 전처리, CatBoost 모델 최적화	EDA, 데이터 전처리	EDA, 데이터 전처리, CatBoost 모델 설계 및 최적화, 팀 목표 설정 및 스케줄 관리

Project architecture

정리 후 작성

예시
├─src
   ├─models
      ├───CatBoostV1
      ├───CatBoostV2
      ├───LGBM
   ├─preprocessing
      ├───CatBoostV1_Preprocessing
      ├───CatBoostV2_Preprocessing
      ├───LGBM_Preprocessing
├─main.py
├─ensemble.py
├─requirements.txt

Environment Requirements

requirements.txt 참조

Model Architecture

Catboost

● 범주형 변수에 강력한 성능을 보이는 모델
● Ordered boosting
● Random permutation
● Categorical feature combination

LightGBM

● 범주형 변수가 많은 데이터에서 특히 높은 성능을 보임
● gradient 가 가장 큰 노드부터 분할하는 leaf-wise 방식을 사용해 빠른 속도로 학습 가능
● Category 형 피처의 자동 변환 및 최적 분할 가능

Ensemble

Catboost v1 : Catboost v2 : LigtGBM = 8 : 1 : 1

Execute

정리 후 작성

Setup

git clone https://github.com/boostcampaitech5/level1_bookratingprediction-recsys-07.git
pip install -r requirements.txt

Preprocess data

Train

Inference

Ensemble

Result

리더보드	RMSE	순위
public	2.1088	1위
private	2.1061	1위