Ch 01. 추천시스템이란

Ch 01. 추천시스템이란

1. 추천시스템, 그것이 궁금하다.

2. 현재 추천시스템은

3. 추천시스템의 알고리즘 분류”    

 

1. 추천시스템, 그것이 궁금하다

 

* 추천 시스템?

구성 : 사용자(User), 상품(Item)

 

* 추천 시스템의 목표

사용자가 정보를 수집하고 찾는 시간을 줄여주는 것이 목적

 

* 유형

- 검색 서비스 : 검색 엔진에 키워드로 검색을 할 때, 유저가 어떤 것을 원하는 지 결과를 추천. Pull Information. 사용자 선 요구. 사용자의 목적이 분명함

 

- 추천 서비스 : 유저가 원할 것 같은 것을 추천. Push Information. 사용자가 요구하기 전 작동. 사용자 스스로가 원하는 바를 정확하게 모른다.

 

* 사용자와 상품의 관계

- 사용자의 정보(나이 성별 지역, 사용자로그(행동패턴))와 아이템의 정보(가격 색상 내용)를 이용한다.

- 사용자와 아이템 사이의 관계를 분석하고, 연관관계를 찾는다.

- 연관 관계를 점수화한다.

 

* 프로파일링

- 유저 프로필

: 사용자 또는 사용자 그룹을 분석 가능한 요소로 프로파일링

: 사용자를 구분 할  수 있는 정보를 활용한다. (ID, 쿠키, 인터넷주소, 방문기록, 클릭 정보 등 행동정보)

: 직접적인(Explicit) 방법 : 설문조가, 평가, 피드백

   간접적인(implicit) 방법 : 웹페이지에 머무른 시간, 클릭 패턴, 검색 로그

: 개인별 또는 사용자 그룹 별 추천 가능

 

- 아이템 프로필

: 플랫폼마다 정의하는 아이템의 종류가 다르다

: 플랫폼마다 관련 있는 상품 또는 아이템만 추천한다.

: 아이템 프로필의 정보 = 아이디, 크기 색 가격, 구매자 정보

 

* 추천 점수

분석된 사용자와 아이템 정보를 바탕으로 점수를 계산

사용자와 아이템에 따라 추천 알고리즘을 결정

정량화된 기준으로 각 항목을 점수화(scoring)

2. 현재 추천시스템은

 

추천시스템이란?

- 사용자(User)로부터 선호도를 데이터화한다. 이 때 평점이나 사용자의 행돈 패턴을 이용한다.

- 사용자의 선호도와 제한사항을 바탕으로 가장 적절한 아이템을 추천한다.

- 정보검색 분야와 비슷하지만 새로운 연구 분야임

 

* 추천서비스 사용 이유

1. 더 많은 아이템을 판매할 수 있다.

2. 원래 사려던 아이템보다 더 다양한 아이템을 판매할 수 있다.

3. 소비자 만족도 상승

4. 충성도 높은 고객이 증가한다.

5. 고객의 니즈를 파악할 수 있다.

 

추천시스템 사용처

- 넷플릭스 : 컨텐츠 기반 추천

 

* Transactions

유저가 인터넷에 남긴 로그에서 중요한 정보를 추출한 핵심 데이터

추천알고리즘의 성능이라 할 수 있음

 

* 추천시스템의 목적

1. 랭킹 문제

특정 유저가 특정 아이템에 대한 평점을 예측한다.

특정 아이템을 좋아할만 한 유저를 선정

특정 사용자가 좋아할 만 한 아이템 선정

 

2. 예측 문제

유저와 아이템의 조합에서 평점(점수)를 예측

 

1. 추천시스템의 알고리즘 종류

 

3. Recommander System

* 콘텐츠 기반 추천 알고리즘(Contents-based)

사용자가 과거에 좋아했던 아이템을 파악하고 비슷한 아이템 추천

- 유저가 과거에 접한 아이템이면서 만족한 아이템 분류

- 선호하는 아이템 중 일부 쪼는 전체와 비슷한 아이템 선정

- Cold Start 문제

 

* 협업 필터링 (Colaborative Filtering)

- 비슷한 성향이나 취향을 가지는 다른 유저가 좋아한 아이템을 현재 유저에게 추천한다.

- 간단하지만 수준높은 정확도를 나타낸다.

- 특정 후보군들이 정해져 있기에 새로운 아이템 추천이 부족하다.

* Hybrid Recommender System

- 협업 필터링과 콘텐츠 기반 시스템의 장/단점을 섞어 만든 시스템

 

* Context-based Recommendation

- context-aware

- location : 위치 기반 추천

- Real-time : 시간 기반 추천

 

* Community-based recommendation

- 사용자의 친구, 속한 커뮤니티의 선호도를 바탕으로 추천

 

* Knowledge-based recoommnedation

- 특정 도메인 지식을 바탕으로 아이템의 features를 활용해서 추천

- Case-based : 사용자의 니즈와 가장 가까운 해결책을 추천

 

4. 추천시스템의 한계

추천 시스템 간단 리뷰

- User와 Item 의 Profiling 을 바탕으로 추천

- User 와 item의 관계 파악

- 추천 시스템 : Push / 검색 서비스 : Pull

- 추천 시스템은 랭킹 문제 또는 예측 문제

- 컨텐츠 기반, 협업 필터링, 딥러닝 기반 등 다양한 알고리즘

 

** 추천 시스템의 한계

1. Scalablity : 분석에서 쓰인 데이터보다 실제 서비스 상황은 훨씬 다양한 데이터

2. Proactive Recommender System : 특별한 요청이 없어도 사전에 먼저 제공하는 추천서비스

3. Cold Start Problem : 추천시스템을 위한 데이터가 부족

4. Privacy preserving : 개인정보 등 유저 정보가 가장 중요하지만 직접적으로 사용하기 어렵다.

 

5. Mobile Device, Usage Contexts : LBS, 개별 상황이나 환경에 따라 다른 컨텍스트가 사용

6. Long-term and Short term User preference : 개인 또는 그룹의 단기/장기 관심사항. 추천받고 싶은 아이템이 과거와 현재 중 어느 시기와 관련이 있는지 파악하기 힘듦

 

7. Generic User Models and Cross Domain Recommender

하나의 모델을 여러가지 데이터에 적용하기 어려움(ex. 해외영화 한국영화 )

8. Starvation and Diversity : 리소스가 너무 부족하고 모든 상황을 파악하기 어렵다