추천 시스템과 생성형 언어 모델의 유사성에 대하여:
https://www.intelligencelabs.tech/d4d0a1fa-55ae-459f-a592-b1b2ad8f3b9c

😈 데이터블로그 챌린지 13일차😈 입니다.
넥슨 FC온라인 스쿼드 추천서비스는 BERT 언어모델을 기반으로 제작되었습니다. 추천시스템과 BERT모델 간의 유사점을 다뤄본 넥슨의 기술블로그를 읽어 보았습니다.

요약

• 넥슨에서는 BERT 기반으로 FC 스쿼드 추천 서비스를 출시하였음
• 추천시스템과 언어모델은 input에 의한 확률기반으로 결과물을 만들어낸다는점이 유사함
• BERT모델 사용 시, input에서 문장의 순서로 '문맥'과 'concept'를 이해하며, 확률과 경험(다른사람이 사용해 본 문장)을 기반으로 결과물을 제공한다는 점에서 추천시스템의 selecting 및 ranking 과정과 유사하다.

내용

추천시스템

• 주론 개인화추천인 경우가 많으며, 넥슨의 경우 '추천 키세팅 서비스'에서 특정 유저(=고객)에게 특정 키세팅(=상품)들을 제안하는 서비스를 운영 중
  

*추천이란?
특정 개인을 위하여 조건에 맞게 k개의 항목을 selecting 하여, 매력적인 기준대로
ranking화 하는 것 ( 추천제공의 형태로는 1개의 항목을 노출하는 단일아이템과 2개 이상의 항목을 노출하는 복수아이템 이 있음)

• 단일아이템의 경우, 입소문 형태로 추천상품을 광고로 활용함.(experience)

• 복수아이템의 경우, 추천되는 항목들은 서로 '공통점'을 갖고 있음 (기획요소: concept)
  => 주목할만한 점: 추천 아이템 세트를 만드는데 대개 기획적 요소를 많이 발견할 수 있다 (Ex. 마감 빵 묶음 세일, 00 브랜드 과자 기획전 ..)

추천서비스의 항목

• 복수아이템인 '스쿼드 추천' vs단일아이템인 '키세팅 추천'
  

BERT와의 유사성

• 언어모델이란, input에 따라 확률 분포를 만들어 내는, 사람이 알 수 없는 수준으로 복잡하고 거대한 함수
• Input이 되는 발화문은 순서를 가지게 되며, 이 순서로 인해 말의 ‘맥락’이 존재하게 된다는 점이 중요

앞서 설명한 생성형 언어 모델에서 “추천”의 관점으로 가져갈 수 있는 포인트는 세 가지입니다.
-Vocabulary
-Vocabulary 속 token 들에 대한 확률 분포 모델 및 결과 Sampling
-Sequential 한 token 들이 지니는 맥락

예를 들면)
1. FC 온라인 스쿼드 추천은 구단주분들이 사용한 팀컬러, 포지션, 선수 카드를 종합적으로 고려하여 게임에서 직접 경험하는 스쿼드 정보의 맥락을 이해한다는 추천 기획 요소를 지닙니다.
2.이러한 맥락을 학습한 생성형 언어 모델은 팀컬러 혹은 포지션들에 대해 입력 받았을 때, 이 입력의 맥락에 적절히 어울리는 선수 카드들의 확률을 알려줄 수 있습니다.
3.이제 이 확률들을 가지고 어떤 기준으로 Selecting 할지, 혹은 Ranking 할지는 추가적인 기획과 함께 행해질 수 있습니다.
4. 최소한의 Selecting 기준과 Ranking 기준을 마련해준다는 점이 생성형 언어 모델을 추천 시스템에 차용할 수 있는 이유이며(경험적 요소와 입소문적 요소도 포함됨)
5.이는 생성형 언어 모델과 추천 시스템이 서로 유사함을 시사합니다.