추천 시스템이란

정보 필터링

정보의 양이 폭증함에 따라 정보 소비자가 "원하는" 정보를 얻는데 시간과 노력이 많이 필요하다. 추천시스템은 정보 소비자에게 원하는 정보를 쉽게 얻도록 도와주는 분야이다. 정보 필터링의 대표적인 분야 !!

• 검색
• 추천 시스템

추천 시스템

정보 소비자가 "원하는" 정보를 찾아 소비자에게 추천하는 시스템이다. 추천은 특별한 행위 없이도 정보 전달이 가능하다.(passive)

추천 시스템 분류

시나리오에 따른 분류

• 연관된 아이템 추천 (연관되어 있는건 structure적 특징이고) - 마켓컬리
• 개인화 아이템 추천 (개인화는 feature적 특징이지 않을까..) - 유튜브

피드백 종류에 따른 분류

• 명시적 피드백을 사용하는 추천시스템

  • 평점/좋아요,싫어요와 같이 소비자가 "명시적으로" 자신의 선호를 표현한 데이터

• 암시적 피드백을 사용하는 추천시스템

  • 웹 페이지 접속 기록(상품), 음악 청취 기록과 같이 선호를 보여주는 피드백

업데이트 주기에 따른 분류

• Offline 추천 시스템 - 특정 시점의 데이터를 사용해 추천 결과를 계산하는 방식 (정적)
• Online 추천 시스템 - 지속적으로 사용자의 데이터를 받아 추천 결과를 업데이트하는 방식 (동적)

⇒ 현업에서는 다양한 추천 로직이 섞인 하이브리드 추천 시스템을 많이 사용한다. (VAE)

추천 알고리즘

Knowledge-based Filtering

추천하고자 하는 분야의 도메인 지식을 활용해 추천하는 방식이다.

예) 성별/연령별로 많이 팔리는 상품들을 모아 추천에 활용

Content-based Filtering

추천하려는 아이템의 콘텐츠 정보를 분석하거나, 정리된 메타 정보를 활용해 콘텐츠별로 특징 정보를 만들고 이를 활용해 추천한다. 컨텐츠 자체의 내용을 분석해 유사한 콘텐츠를 찾는 방법이다.

예) 상품 페이지 하단에 같은 카테고리에 있는 인기 상품 추천

 → 카테고리 맵핑이 의자/스툴에 들어가 있고 그 카테고리의 다른 상품들을 보여줄 수 있음.

Collaborative Filtering

소비자들의 소비 이력을 사용해 소비하지 않은 새로운 아이템을 추천한다.

→ 비슷하게 소비하는 user군을 찾는다. (MF - sparse한 방식인가?)

예) 클릭 이력을 바탕으로 소비자가 다음으로 클릭할 만한 상품을 추천

당근 마켓 기술 블로그: https://medium.com/daangn/딥러닝-개인화-추천-1eda682c2e8c

추천 알고리즘 평가 방법

오프라인 평가

사용자의 아이템에 대한 선호 기록과 추천 시스템이 추천한 결과를 비교하여 추천 품질을 평가한다.

특징

• 별다른 비용 지출 없이 수집된 데이터만 이용하여 평가 가능
• 여러 모델을 동시에 평가할 수 있음
• 선호 기록이 기존에 사용하고 있는 추천 모델에 영향을 받을 수 있으므로, 실제 사용자의 만족도와 평가 결과가 다를 수 있음

온라인 평가

추천된 결과를 직접 사용장게 노출시켜 사용자의 반응을 수집하여 평가한다.

특징

• 실제 사용자의 만족도를 측정한다는 측면에서 정확한 방식
• 비용이 비싼 평가 방식 (사용자의 만족도 감소 가능성 등)