Today I Learned

오늘 배운 내용은 개인화 추천!

Personalization

개인에 대해 학습한 정보를 기반으로 UX를 조정하는 것

• 유저들에게 동일한 컨텐츠를 제공하는 게 아니라, 유저의 선호를 모델링해서 비즈니스 목표 달성.

• in Netflix
  개인화된 영화 추천 뿐만 아니라 썸네일까지 선호하는 영화배우, 장르, 테마를 반영해서 추천한다.

• in health care
  개인의 건강 상태를 체크해서 개인화된 치료 계획 추천 및 병의 진행정도 예측

• adaptive learning
  모두 같은 커리큘럼을 제시하는게 아니라, 학생별로 성과, 학습 수준에 따라 다른 커리큘럼을 제시

부작용

• 개인화 ML 기술은 black-box 적인 특징이 있다.

• 유저의 취향과 비슷한 컨텐츠만 집중적으로 추천(concentraion)되는 효과가 있어 유저가 filter bubble에 갇힌다. 이 과정에서 극단적인 컨텐츠만 추천될 수 있다.(extremification)

• 유저-알고리즘-데이터 간 상호작용이 서비스가 지속됨에 따라 증폭되면서 편향이 계속해서 증가하고, 이는 필터 버블을 강화한다.

• 소수 취향은 반영되기 힘들고, 인기있는 아이템만 반영되기도 한다.(fairness)

• 유저의 전체 취향을 반영하지 못하고 일부 취향만 반영할 수 있다.

• 롱테일 아이템이 추천되지 않아 아이템 공급쪽에 불이익이 갈 수도 있다.

부작용 해결 방법

• Diversification : 연관성과 다양성은 trade-off의 관계인데, 이를 적절히 조절함으로써 다양한 결과를 추천해 filter bubble과 소수취향 반영.

• Maximal Marginal Relevance(MMR)
  추천되는 아이템들이 유저와 연관이 있으면서 이미 추천된 아이템들과 비슷하지 않게 re-ranking