추천 시스템 종류와 한계

추천 알고리즘

 

컨텐츠 기반 추천 시스템

- 사용자가 과거에 좋아했던 아이템 파악, 그 아이템과 비슷한 아이템 추천

- 스파이더맨 4.5 -> 캡티마블 > 타이타닉

 

협업 필터링

- 비슷한 성향, 취향을 갖는 다른 유저가 좋아한 아이템을 현재 유저에게 추천

- 간단하면서 수준 높은 정확도를 나타낸다

- 스파이더맨 4.5준 2명의 유저 -> 유저 A가 과거 좋아했던 캡티 마블을 유저 B에 추천

 

 

하이브리드 추천 시스템

- 컨텐츠와 협업 필터링의 장 담점을 상호보완

- 협업 필터링은 새로운 아이템에 대한 추천 부족

- 컨텐츠 기법이 cold-start 문제에 도움을 줄 수 있다.

 

 

1. Context 기반 추천

- 문맥 인식 추천 

 

2. 커뮤니티 기반 추천

- 커뮤니티 선호도를 바탕으로 추천

 

3. 지식 기반 추천

- 특정 도메인 지식을 바탕으로 아이템 특징을 활용한 추천

 

 

추천 시스템 요약

1. 추천 시스템은 유저와 아이템으로 적절한 것을 추천
2. 추천 시스템은 유저와 아이템의 관계를 파악하고, 점수화 한다.
3. 추천 시스템은 Push information, 검색 서비스는 Pull information
4. 추천 시스템은 랭킹 문제 또는 예측 문제이다.
5. 컨텐츠 기반, 협업 필터링, 딥러닝 기반 등 추천 알고리즘 종류는 매우 다양

 

추천 시스템의 한계

1. Scalability

- 실제 서비스 상황은 다양한 종류 데이터

- 학습 분석에 사용한 데이타와는 전혀 다른 데이터

 

2. Proactive Recommender System

- 특별한 요청 없이도 사전에 먼저 제공하는 추천 서비스

- 모바일 인터넷 등 어디서는 유저에게 끊임없이 좋은 정보를 추천할 수 있는 서비스

- 구현하기 힘듬

 

3. Cold-Start Problem

- 추천 서비스를 위한 데이터 부족

- 기본적인 성능을 보장하는 협업 필터링 모델 구축이 쉽지 않음

- 컨텐츠 기반 또는 지식 기반 방법 역시 서비스 적용 어려움

 

4. Privacy preserving Recommender System

- 개인정보든 유저 정보가 가장 중요하지만, 직접적으로 사용 불가

 

5. Mobile devices and Usage Contexts

- 위치기반 추천 어려움

- 개별 상황 또는 환경에 따라 다른 컨텍스트 사용

 

6. Long-term, Short-term user 선호

- 개인 그룹의 단기/장기 관심사항

- 추천 받고 싶은 아이템이 현재 또는 과거 중 어느 시기와 관련 있는지 파악 어려움

 

7. Generic User models and Cross Domain Recommender System

- 하나의 모델을 여러가지 데이터에 적용하기 어려움

- 비슷한 도메인의 데이터를 활용해도 동일한 성능의 추천 시스템을 기대하기 어렵다

 

8. Starvation and Diversity

- Starvation: 필요한 컴퓨터 자원을 끊임없이 가져오지 못하는 상황

- 유저/아이템이 다양하고, 모든 유저/아이템에 더 많은 관심을 부여해야함

 

 

Long Tail Economy

그리하여, 추천 시스템은 정답이 없다. (비지도)