추천시스템 분류

추천시스템의 분류

 

어떤 요건에 맞춰 어떤 데이터를 활용하여 어떤 모델을 이용하여 어떤 방식으로 계량 할 것인가?

 

요건

 

- 베스트 셀러

- 관련 상품

- 맞춤 추천

- 특정 상황

 

베스트 추천

관련 추천

개인화 추천

 

Feedback 데이터에 따른 분류

 

Explicit Feedback

- 사용자의 아이템에 대한 명시적 선호 정보를 가진 이력

 

- 1점~10점

- 만족/보통/불만족

 

- 선호 데이터 수집의 어려움

 

Implicit Feedback

- 사용자의 아이템에 대한 암시적 선호 정보를 가진 이력

- 조회/ 구매/ 시청/ 머무른 시간

 

- 사용자의 아이템에 대한 선호도를 명확히 알기 힘들다.

 

 

Explicit과 Implicit 는 서로 변환 가능하다.

 

행위 이력으로 Rating 추정

 

- 끝까지 본 영화는 높은 평점으로

- 도중에 끄면 낮은 평점

 

- 자주 사용한 APP 높은 평점

- 적게 사용한 APP 낮은 평점

 

 

Rating을 행위 이력으로 변환

- rating이 높은 책 -> 구매 O

- rating이 낮은 책 -> 구매 X

 

 

추천시스템 모델에 따른 분류

- 아이템 인기도

- 아이템, 아이템 유사도

- 사용자, 아이템 선호도

- 사용자, 사용자 유사도

 

BEST 추천

- 인기도가 높은 아이템 추천

 

관계 추천

- 주어진 아이템과 유사도가 높은 아이템 추천

 

맞춤 추천

- 사용자의 선호도가 높은 아이템 추천

- 사용자와 유사한 사용자들이 선호하는 아이템 추천

 

 

유사도/선호도 계산 방법

 

- 아이템 속성을 이용

- 사용자 행동 이력을 이용

 

 

계량 방식에 따른 분류: 점수 예측

- 사용자의 아이템에 대한 선호 점수를 예측, 선호 점수가 높은 아이템을 추천

 

점수 예측 대표 사례

넷플릭스 대회

 

영화에 대한 유저들의 평가를 예측하는 최상의 Collaborative Filtering 알고리즘을 가려내는 콘테스트

 

- 영화나 유저에 관한 다른 정보 하나 없이 앞선 유저들의 평가만을 기반으로 알고리즘을 짬

- RMSE = 0.9514

 

Matrix Completion Problem

 

 

계량 방식에 따른 분류: Top-K 추천

 

- 선호 점수에 기반한 아이템의 순위를 중요시

- 선호 점수를 잘 예측할 필요 X