Deview2014 Live Broadcasting 추천시스템 발표 자료

1. Live

2. Broadcasting

4. 추천

5. 시스템 최규민

7. 2014.9.30

8. 저(최규민)는

9. 저(최규민)는 아프리카TV에서

10. 저(최규민)는 아프리카TV에서 추천 방송을

11. 저(최규민)는 아프리카TV에서 추천 방송을 만들고 있습니다.

12. 오늘은 이 추천 방송을 대하여 이야기해 보겠습니다.

13. 아프리카TV는? BJ 방송 시청자

14. 아프리카TV는?

15. SNS

16. 플랫폼

28. 아프리카TV 100 75 50 25 0 하루에

29. 100

31. 방송이

32. 만들어지고

33. 하루에

36. 명의

37. 시청자가

38. 방문하고

39. 하루에

40. 20

42. 번의

43. 방송이

44. 시청되고

45. 하루에

46. 20

48. 건의

49. 채팅이

50. 이루어

51. 지고

53. 하루에

54. 평균

55. 120분

56. 시청합니다

57. 오늘

58. 할

59. 이야기는

60. 추천이란? 아프리카TV 방송 추천하기 Touch the void 효과 최규민의 하루 아마존 추천 관심도 와 연관도 구 현 시스템 유사도 이야기 AB 테스트 아키텍쳐 실대처 추천 적용

61. 추천이란 뭘까요?

62. 최규민씨의 하루생활

63. 출근을 할 때 안막히는 도로를 ! 추천 받고

64. 출근 후 뉴스를 보면 ! 관련 기사를 또 보여 주고

65. 이 메일을 확인하면 ! 볼만한 동영상이 수신되어 있고

66. 점심 시간에 모바일 게임을 접속하면! 형태기반 띠 광고를 보게 되고

67. 주말에 볼 영화를 찾기위해 ! Watcha에 접속하면 영화가 추천되고 http://watch.net

68. 이렇게 우리의 모든 행위는 기록되고! 필요할 때 적절히 추천 됩니다.

69. 그럼 왜 이렇게 추천할까요?

70. “Touching the void 책” 이야기 출처: http://www.elhablador.com/blog/wp-content/uploads/2012/

71. 1988년 출간 산악인의 생존 실화를 다룬 책 ! “Touching the void” 평가 좋지만 판매는 그 닥!!! 그리고 절판됨

72. 10년 뒤 “Into Thin Air” 산악소설이 붐!!! ! 이 책과 유사한 “Touching the void” 가 독자에 의해 책 서평 등록 출처: www.amazon.com

73. 100 75 50 25 0 절판된 책이 판매량 증가

74. 서점에서는 다시 프로모션을 하고

75. 1000 750 500 250 0 판매량의 급증

76. 추천의

77. 힘!!

78. 아마존 책 매출의 57%는 ! 서점에서 팔지 않는 책에서 ! 발생합니다.

79. 이런 추천 시스템은 ?

80. 이러한 추천 시스템은 대부분 협업 필터링과 같은 알고리즘을 사용합니다. ! ! 협업 필터링은 ! 유저 기반 추천, 아이템 기반 추천 ! 분류됩니다.

81. 유저 기반 추천! - 나와 유사한 유저가 본 아이템을 추천 나 유사한 유저 그들이 본 아이템

82. 아이템 기반 추천! - 내가 본 아이템과 유사한 아이템을 추천하는 방식 나 내가 본 아이템 유사한 아이템

83. 아프리카TV 은! 큰 틀에서 아이템 기반 추천

84. 아프리카TV의 방송 추천 에 대하여 알아 보겠습니다.

85. 큰 그림

86. BJ 관심도 BJ 연관도 ` 오래 시청한 자주 추천한 많이 선물한 내가 관심BJ와 유사한 연관BJ의 방송추천

87. BJ

88. 관심도

89. 측정

90. 1.0 (관심도) 0.0 평준화 [0.0 , 1.0] 시간 가중치 항목 가중치

91. 0.0 평준화 [0.0 , 1.0] 시간 가중치 항목 가중치 방송 시청 이력 uno ! BJID 시청시간 평균 10001 rani0224 10’ 9’ 10001 afkbo1 120’ 95’ 10001 afmlb1 32’ 93 추천이력 uno ! BJID Y/N 10001 rani0224 T 10001 afkbo1 T 아이템 사용이력 uno ! BJID 개수 10001 rani0224 50 10001 afkbo1 10 방송 시청 이력 uno ! BJID 시청시간 10001 rani0224 0.57 10001 afkbo1 0.73 10001 afmlb1 0.21 추천이력 uno ! BJID Y/N 10001 rani0224 1.0 10001 afkbo1 1.0 아이템 사용이력 uno ! BJID 개수 10001 rani0224 0.5 10001 afkbo1 0.1 평균 평준화 Boolean Value ! [ F, T ] → [ 0 , 1] Scale ! [0 , 100] → [0.0 1.0] 1.0 (관심도)

92. 0.0 1.0 (관심도) 평준화 [0.0 , 1.0] 시간 가중치 항목 가중치 30 22.5 15 7.5 0 D D -2 D -4 D -6 D -8 D -10 D -12 D -14 D -16 D -18 D -20 D -22 D -24 D -26 D -28

93. 0.0 1.0 (관심도) 평준화 [0.0 , 1.0] 시간 가중치 항목 가중치 30 22.5 15 7.5 0 [ Tips. 시간 가중치 간단하게 처리 하는 법] = 데이터값 ÷ (경과일) = D/1 + D/2 + D/3 … D/30 = 데이터값 ÷( (경과일) = 데이터값 ÷( log(경과일) ) D D -2 D -4 D -6 D -8 D -10 D -12 D -14 D -16 D -18 D -20 D -22 D -24 D -26 D -28

94. 0.0 1.0 (관심도) 평준화 [0.0 , 1.0] 시간 가중치 항목 가중치 0.5 0.375 0.25 0.125 0 0.1 0.2 0.2 0.5 시청데이터 추천데이터 별풍선 스티커 항목 가중치의 합은 = 1.0

95. 0.0 0.623573 0.57521 0.34565 0.21736 1.0 (관심도) 세부

96. 구현은?

97. 0.0 0.623573 0.57521 0.34565 0.21736 1.0 (관심도) 방송 시청 이벤트 추천 이벤트 아이템선물 이벤트 HDFS 방송시청 평준화 HQL Redis Cluster Sorted Set Hive External Table 시간 가중치 HQL BJ 관심도 계산 HQL (항목 가중치) Redis Save (UDF) HQL 추천 평준화 HQL 아이템 평준화 HQL 시간 가중치 HQL 시간 가중치 HQL

98. 0.0 0.623573 0.57521 0.34565 0.21736 1.0 (관심도) 방송 시청 이벤트 추천 이벤트 아이템선물 이벤트 HDFS 방송시청 평준화 HQL Redis Cluster Sorted Set HIVE External Table 시간 가중치 HQL Redis Save (UDF) HQL 추천 평준화 HQL 아이템 평준화 HQL 시간 가중치 HQL 시간 가중치 HQL MR-Hive Compati ble BJ 관심도 계산 HQL (항목 가중치)

99. 0.0 0.623573 0.57521 0.34565 0.21736 1.0 (관심도) 방송 시청 이벤트 추천 이벤트 아이템선물 이벤트 HDFS 방송시청 평균화 HQL Redis Cluster Sorted Set HIVE External Table 시간 가중치 HQL Merge HQL Redis Save (UDF) HQL 평균화 추천 HQL 아이템 평균화 HQL 시간 가중치 HQL 시간 가중치 HQL MR-Hive Compati ble Query Base Processing

100. 0.0 0.623573 0.57521 0.34565 0.21736 1.0 (관심도) 방송 시청 이벤트 추천 이벤트 아이템선물 이벤트 HDFS 방송시청 평균화 HQL Redis Cluster Sorted Set HIVE External Table 시간 가중치 HQL Merge HQL Redis Save (UDF) HQL 평균화 추천 HQL 아이템 평균화 HQL 시간 가중치 HQL 시간 가중치 HQL MR-Hive Compati ble Query Base Processing In Memory Store

101. BJ

102. 연관도

103. 측정

104. 1.0 0.0 연관도 Clustering BJ 유사도 Matrix 유사할것 같은 BJ 끼리 묶음 묶인 BJ간에 유사도 측정

105. 1.0 0.0 연관도 Clustering BJ 유사도 Matrix 목적 : n=bj수, m=cluster 크기

106. Clustering Graph Clustering BJ 유사도 Matrix

107. Clustering BJ 유사도 Matrix 클러스터링 결과

108. Clustering BJ간 Similarity

109. 클러스터

110. 내

112. BJ간

113. 유사도

114. 계산

115. 0.0 연관도

116. 잠깐!!

117. 유사도(또는

118. 거리)

119. 알고리즘에

120. 대하여

121. 알아

122. 보자

123. ?

124. ! Euclidean

125. Distance

126. Cosine

127. Similarity

128. Jaccard

129. coefficient

130. manhattan

131. distance,

132. pearson

134. …⋯

135. Jaccard,

136. Euclidean,

137. Cosine Jaccard : ! 상품간의 교집합의 크기 Euclidean Distance! 상품간의 거리 상품1 상품2 θ Cosine Similarity! 상품간의 각도 상품1 상품2

138. “Euclidean

139. VS

140. Cosine”

141. 이야기

142. 유사도 측정 – 우리 아기는 ! 아빠와 엄마중 누구와 더 닮았을까요?!

143. 유사도 측정 – 어떻게 비교하는가 얼굴의 너비! 얼굴의 높이! 눈간격! 입크기! 를 측정하여 유사도를 계산

144. 유사도 측정 – 사진에에서 데이터 측정 ! ! 얼굴너비 !얼굴높이 ! 입크기 ! 눈간격! 아빠 !! 191 ! 173 ! 79! ! 46! 엄마 ! 124!! 129! !56! ! 34! 아기 ! 91! ! 59! ! 21! ! 24

145. 유사도 측정 – 누구와 비슷한가? Cosine Similarity 엄마-아기 = 0.96966224 아빠-아기 = 0.98190527 ( WIN ) Euclidean Distance 엄마-아기 = 85 ( Win ) 아빠-아기 = 163

146. 유사도 측정 – 왜 이렇게 알고리즘에 따라 결과가 다른가? Cosine Similarity ! 아빠와 더 닮은 이유?! Cosine 방식은 Item의 각도 즉 비율을 측정! 그래서 전체적인 비율이 비슷한 아빠가 유사도가 높음 Euclidean Similarity! 엄마와 더 닮은 이유?! Euclidean은 Item간에 떨어진 거리를 측정! 그래서 엄마가 얼굴이 더 작아서 엄마가 유사도가 높음

147. 이런 사진으로 Eucliean으로 유사도를 측 정한다면? Euclidean 방식은 아기와 가까운 곳에 있는 사람이 유사하 다고 측정됨

148. 닮음꼴은 Cosine 방식적합함

149. 예~~~~

150. 유사도

151. 측정

152. 방식은

154. 아이템의

155. 특성에

156. 맞추어

158. 잘

159. 선택

160. 되어야

161. 한다.

163. ! 아프리카TV의

164. 유사도

165. 측정은?

166. 인기게임BJ는

167. 어떤

168. BJ와

169. 유사한?

170. 시청 정보 아이템 사용 정보 인기게임BJ 인기스포츠BJ 일반 게임BJ Euclidean distance : 인기스포츠BJ θ Cosine Similarity : 일반게임BJ

171. Clustering BJ간 Similarity 아프리카TV는

172. ! Euclidean

173. Distance

174. Cosine

175. Similarity

176. Jaccard

177. coefficient

178. manhattan

179. distance,

180. pearson

182. …⋯

183. Clustering BJ간 Similarity

184. BJ간

185. 유사도

187. 계산

189. Clustering BJ간 Similarity BJ

190. 유사도

191. Matrix

192. (

193. Cosine

194. ) BJ1 BJ2 BJ3 BJ4 BJ5 BJ6 BJ7 BJ8 BJ9 BJ10 BJ1 0.12 0.1009 0.1582 BJ2 0.12 0.0008 0.029 0.0572 0.290 BJ3 0.12 0.1391 BJ4 0.0854 0.12 BJ5 0.12 0.1391 0.0854 0.12 0.0854 BJ6 0.290 0.290 BJ7 0.12 0.1391 0.0854 0.12 BJ8 0.290 0.0854 0.31 BJ9 0.0854 0.0854 BJ10 0.290

195. Clustering BJ간 Similarity 세부

196. 구현은?

197. 방송 시청 이벤트 Clustering BJ 유사도 HDFS Redis Cluster Sorted Set hdfs files Data 정제 MR BJ 군집화 MR Matrix BJ 유사도 측정 MR BJ Matrix MySQL 관리자 큐레이션 기능 White / Black List / 가중치

198. 방송 시청 이벤트 Clustering BJ 유사도 HDFS Redis Cluster Sorted Set Hourly Batch Job hdfs files Data 정제 MR BJ 군집화 MR Matrix BJ 유사도 측정 MR BJ Matrix MySQL 관리자 큐레이션 기능 White / Black List / 가중치

199. 방송 시청 이벤트 Clustering BJ 유사도 HDFS Redis Cluster Sorted Set 예전 데이터와 Data BJ 상관없이 실시간으로 hdfs 정제 군집화 files MR 변경되는 MR 방송은? Matrix BJ 유사도 측정 MR BJ Matrix MySQL 관리자 큐레이션 기능 White / Black List / 가중치

200. Clustering BJ 유사도 Matrix 아프리카TV

201. 의

202. 게임

203. BJ는

204. 트랜드에

205. 따라

210. 이벤트성으로

211. 아시안게임,

212. 윤형빈

213. 방송

215. 을

216. 합니다.

217. ! 그럼??

218. 게임BJ가

219. 아시안게임

220. 방송을

221. 할때

223. 어떻게

224. 연관

225. 방송을

226. 추천해

227. 줄것인가?

228. Clustering BJ 유사도 Matrix 실시간

229. Cowatching

230. Counts • 시청자의 In/Out Stream을 실시간으로 Counting 70 45 23 5 89 14 2

232. Cowatching

233. Counts 방송 시청 이벤트 방송 시청 이벤트 방송 시청 이벤트 방송 시청 이벤트 Message Queue 방송 시청 방이송벤 트시청 방이송벤 트시청 이벤트 방송 시청 방이송벤 트시청 방이송벤 트시청 방송 시청 이벤트 이벤트 방송 시청 이벤트 Redis Writer Redis Writer Redis Writer Redis Cluster Sorted Set Aggregation Set Async Processing In-Memory

234. Clustering BJ 유사도 Matrix 방송 시청 이벤트 방송 시청 이벤트 방송 시청 이벤트 방송 시청 이벤트 실시간

235. Cowatching

236. Counts Message Queue 방송 시청 방이송벤 트시청 방이송벤 트시청 이벤트 방송 시청 방이송벤 트시청 방이송벤 트시청 방송 시청 이벤트 이벤트 방송 시청 이벤트 Redis Writer Redis Writer Redis Writer Redis Cluster Sorted Set Async Processing

238. Cowatching

239. Counts 방송 시청 이벤트 방송 시청 이벤트 방송 시청 이벤트 방송 시청 이벤트 Message Queue 방송 시청 방이송벤 트시청 방이송벤 트시청 이벤트 방송 시청 방이송벤 트시청 방이송벤 트시청 방송 시청 이벤트 이벤트 방송 시청 이벤트 Redis Writer Redis Writer Redis Writer Redis Cluster Sorted Set Async Processing Aggregation Write

241. Cowatching

242. Counts 방송 시청 이벤트 방송 시청 이벤트 방송 시청 이벤트 방송 시청 이벤트 Message Queue 방송 시청 방이송벤 트시청 방이송벤 트시청 이벤트 방송 시청 방이송벤 트시청 방이송벤 트시청 방송 시청 이벤트 이벤트 방송 시청 이벤트 Redis Writer Redis Writer Redis Writer Redis Cluster Sorted Set Async Processing Aggregation Write In Memory Store

244. Cowatching

245. Counts • Redis SortedSet • instream:{bjid} • outstream:{bjid}

246. 나의 관심BJ와 연관BJ Matrix를 모두 생성 했습니다.

247. 0.0 0.623573 0.57521 0.34565 0.21736 1.0 관심도 나의 관심 BJ = X 축으로

248. 0.0 0.623573 0.57521 0.34565 0.21736 1.0 관심도 1.0 나의 관심 BJ = X 축으로 나의 연관 BJ = Y 축으로 0.0 연관도

249. 나의 관심 BJ = X 축으로 나의 연관 BJ = Y 축으로 추천 그래프로 나타내면?? 0.0 0.623573 0.57521 0.34565 0.21736 1.0 관심도 1.0 0.0 연관도

250. 0.0 0.623573 0.57521 0.34565 0.21736 (1.0, 연관도 1.0) 0.0 관심도 (0.62, 0.56) (0.62, 0.41) (0.62, 0.12 (0.62, 0.03) (0.57, 0.74) (0.57, 0.59) (0.57, 0.48) (0.57, 0.43) (0.57, 0.17) (0.34, 0.72) (0.34, 0.50) (0.34, 0.24) (0.34, 0.09) (0.21, 0.61) (0.21, 0.48) (0.21, 0.01)

251. 0.0 0.623573 0.57521 0.34565 0.21736 0.0 연관도 관심도 (0.62, 0.56) 부터 거리를 측정해 보면? (0.62, 0.41) (0.62, 0.12 (0.62, 0.03) (0.57, 0.74) (0.57, 0.59) (0.57, 0.48) (0.57, 0.43) (0.57, 0.17) (0.34, 0.72) (0.34, 0.50) (0.34, 0.24) (0.34, 0.09) (0.21, 0.61) (0.21, 0.48) (0.21, 0.01) (1.0, 1.0)

252. 0.0 0.623573 0.57521 0.34565 0.21736 0.0 연관도 관심도 (0.62, 0.56) (0.62, 0.41) (0.62, 0.12 (0.62, 0.03) (0.57, 0.74) (0.57, 0.59) (0.57, 0.48) (0.57, 0.43) (0.57, 0.17) (0.34, 0.72) (0.34, 0.50) (0.34, 0.24) (0.34, 0.09) (0.21, 0.61) (0.21, 0.48) (0.21, 0.01) (1.0, 1.0) 0.58 0.70 0.95 0.50 0.72 0.59 0.67

253. 0.0 0.623573 0.57521 0.34565 0.21736 0.0 연관도 관심도 (0.62, 0.56) (0.62, 0.41) (0.62, 0.12 (0.62, 0.03) (0.57, 0.74) (0.57, 0.48) (0.57, 0.43) (0.57, 0.17) (0.34, 0.72) (0.34, 0.50) (0.34, 0.24) (0.34, 0.09) (0.21, 0.61) (0.21, 0.48) (0.21, 0.01) (1.0, 1.0) 0.58 0.70 0.95 0.50 0.72 0.59 0.67 (0.57, 0.59)

254. 0.0 0.623573 0.57521 0.34565 0.21736 1.0 1.0 0.0 연관도 관심도 ! ! 거리가 가까운 방송 순으로 추천하면 ! ! ! ! 끝??

255. 좀더

256. 고려할

257. 것이

258. 있습니다.

260. 현재

261. 관심

262. 방송이

263. Offline이면?

264. ! 그

265. 해당

266. 방송의

267. 관심도를

268. 낮추어야(0.5)

269. 한다.

272. ! Offline

273. 가중치

274. =

275. *0.5

276. 0.0 0.623573 0.57521 0.34565 0.21736 1.0 1.0 0.0 연관도 관심도 ! ! X X Offline 가중치

277. 좀

278. 덜

279. 인기있는

280. 방송을

281. 추천

283. 주세요.

284. !

285. BJ

286. Ranking이

287. 높을수록

288. 추천

289. 순위를

290. 감소시키는

293. IFR(Inverse

294. Frequency

295. Rank)

296. 적용

297. ! 많이

298. 추천(연관)

299. 될수록

300. 추천

301. 순위를

302. 감소시키는

305. IRF(Inverse

306. Relation

307. Frequency)

308. 적용

310. 0.298 0.201 0.14 0.11 0.0056 24회 6회 67회 12회 23회 Inverse Relation Frequency 적용 0.0335 0.0124 0.0091 0.002 0.00024

311. 처음

312. 가입한

313. 가입자는?

314. 시청

315. 이력이

316. 없는

317. 가입자는?

318. 나이/성별

319. 기반의

321. 개인화

322. Theme

323. Rank

324. 추천

325. 개인화 Theme Rank

326. 추천 AB 테스트

327. 추천의

328. AB

329. 테스트

330. 시나리오들 기본 추천 랭킹 역 빈도 추천 연관 역 빈도 추천 인기 방송 관심 카테고리 추천

331. 䡴 주는 프로야구 시청, 간간히 여BJ, 게임 방송 즐겨봄 기본 추천 랭킹 역 빈도 추천 연관 역 빈도 추천 관심 카테고리 추천 인기 방송

336. 개인화

337. 추천

338. AB

339. Test 인기 방송 기본 추천 관심 카테고리 추천 연관 역 빈도 추천 랭킹 역 빈도 추천 랜덤 노출

340. 개인화

341. 추천

342. AB

343. Test

344. 결과 평균 : 2.3% 인기방송

345. 대비

346. 165%

348. 관심

349. 카테고리

350. 추천

351. 클릭율

352. ↑

353. 평균 : 6.1% 165%

354. 개인화

355. 추천

356. AB

357. Test

358. 결과 평균 : 5.0% 기본

359. 추천

360. 대비

361. 22%

363. 관심

364. 카테고리

365. 추천

366. 클릭율

367. ↑

368. 평균 : 6.1% 22%

369. 추천시스템의 아키텍쳐는? ! 실/대/처를 먼저 알아보자

370. 아프리카TV의

372. 실시간

373. 대용량

374. 처리를

375. 위한

377. 기반

378. 시스템 수집 전달 저장 처리 출력

379. 시스템

380. 아키텍쳐

381. Data Stream Data Routing Cache Store Batch Process Workflow Jobs Realtime Process 시청 자 BJ 방송 Sys Stat Hadoop HQL Jobs MapReduce ElasticSearch Message Queue Architecture Shard Store None Shard Store Zookeeper Coordinator

382. Data Stream Data Routing Cache Store Batch Process Workflow Jobs Realtime Process 수집 API Hadoop HQL Jobs MapReduce ElasticSearch Redis Cluster MySQL Zookeeper Coordinator UDP Sender Network Mirroring File/Mysql Tailer ZeroMQ Thrift

383. Data Stream Data Routing Cache Store Batch Process 장애없이 Workflow 고성능의 Jobs 데이터 수집 (네트워크 미러설정, 신뢰성 × ) Realtime Process 수집 API Hadoop HQL Jobs MapReduce Elastic Search Redis Cluster MySQL Zookeeper Coordinator UDP Sender Network Mirroring File/Mysql Tailer ZeroMQ Thrift 일반적인 데이터 수집 방법 장애의 영향없이 고성능의 데이터 수집 (신뢰성을 보장 × ) 신뢰성이 높음 그러나 에이젼트설치 및 의존성이 높음

384. Data Stream Data Routing Cache Store Batch Process Workflow Jobs Realtime Process 수집 API Hadoop HQL Jobs MapReduce Elastic Search Redis Cluster MySQL Zookeeper Coordinator UDP Sender Network Mirroring File/Mysql Tailer ZeroMQ Thrift -Dynamic한 Data Pipeline의 추가/변경/삭제 장점 - Workflow 들의 scale-out 지원 - Async Data 처리 - 메시지 Broker없이 다이렉트로 메 시지 전달 - 고성능의 데이터 전달 시 (채팅 등)

385. Data Stream Data Routing Cache Store Batch Process Workflow Jobs Realtime Process 수집 API Hadoop HQL Jobs MapReduce ElasticSearch Redis Cluster MySQL Zookeeper Coordinator UDP Sender Network Mirroring File/Mysql Tailer ZeroMQ Thrift

386. Data Stream Data Routing Cache Store Batch Process Shard/None Shard Store Topology 구성 대량의 서비스 트래픽 수용 Workflow Jobs 중간 / 통계 데이터 저장 중급의 서비스 트래픽 수용 Realtime Process 수집 API Hadoop HQL Jobs MapReduce Elastic Search Redis Cluster MySQL Zookeeper Coordinator UDP Sender Network Mirroring File/Mysql Tailer ZeroMQ Thrift

387. Data Stream Data Routing Cache Store Batch Process Workflow Jobs Realtime Process 수집 API Hadoop HQL Jobs MapReduce Elastic Search Redis Cluster MySQL Zookeeper Coordinator UDP Sender File/Mysql Tailer 추천 시스템은?

388. Data Stream Data Routing Cache Store Batch Process Cowatching Counts (Workflow Jobs) Realtime Process 시청 자 BJ 방송 Hadoop 관심도 HQL 연관도 MapReduce Theme Ranks (ElasticSearch) Message Queue Architecture 유저 개인화 (관심도) BJ Matrix (연관도) Zookeeper Coordinator Sys Stat Theme Ranks

389. 다른것들은?

390. ! 준

391. 실시간으로

392. 다양한

394. 방송

395. 랭킹을

396. 제공하는것

397. Data Stream Data Routing Cache Store Batch Process Workflow Jobs Realtime Process 시청 자 BJ 방송 Hadoop HQL Jobs MapReduce ElasticSearch Message Queue Architecture Shard Store None Shard Store Zookeeper Coordinator Sys Stat

398. Data Stream Data Routing Cache Store Realtime Process 시청 자 BJ 방송 ElasticSearch ! Message Queue Architecture None Shard Store Gender/Age 패턴 선형 별풍선 선물 패턴 시청 시간 패턴 강퇴 사용자 … 채팅 패턴 Zookeeper Coordinator

400. 마치면서?

401. 추천…⋯

402. 개인화

403. …⋯

404. 는? • 알고리즘/머신러닝/유사도 … 알아야 할것이 많습니다. • 대용량 처리 아키텍쳐도 구현을 해야 합니다. • 서비스와 데이터에 대하여 깊은 이해도 필요합니다. • 결과도 측정하고 분석하고 계속 튜닝/개선 해야합니다.

405. 그런데

406. 왜??

407. I

408. know

409. what

410. you

411. want. 출처 : http://blog.nemesys.co.kr/tt/entry/LEAP-Motion-%EB%A7%88%EC%9D%B4%EB%84%88%EB%A6%AC%ED%8B%B0-%EB%A6%AC%ED%8F%AC%ED%8A%B8%EC%9D%98-%EA%B7%B8%EB%82%A0%EC %9D%B4-%EC%9D%B4%EC%A0%9C-%EB%A9%80%EC%A7%80-%EC%95%8A%EC%95%98%EB%8B%A4?category=0

412. 이런

413. 미래를

414. 만들고

415. 싶습니다. 출처 : 마이너리티 리포트 영화 속 장면 출처 : http://mary-ann.tistory.com/610 출처 : http://blog.nemesys.co.kr/tt/entry/LEAP-Motion-%EB%A7%88%EC%9D%B4%EB%84%88%EB%A6%AC%ED%8B%B0-%EB%A6%AC%ED%8F%AC%ED%8A%B8%EC%9D%98- %EA%B7%B8%EB%82%A0%EC%9D%B4-%EC%9D%B4%EC%A0%9C-%EB%A9%80%EC%A7%80-%EC%95%8A%EC%95%98%EB%8B%A4?category=0

416. 감사합니다.

417. 최규민

418. |

419. goodvc78@gmail.com

Deview2014 Live Broadcasting 추천시스템 발표 자료

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

En vedette

En vedette (6)

Deview2014 Live Broadcasting 추천시스템 발표 자료