연관 규칙
- 연관 규칙의 경우 협조 필터링 추천 중에서도 과거부터 지금까지 폭넓게 업계에서 활용되고 있다.
- 연관 규칙에서는 대량의 구매 이력 데이터로부터 '아이템 A와 아이템 B는 동시에 구입하는 경우가 많다'는 규칙을 발견
- '기저귀와 맥주'를 통하여 알 수 있다.
- SQL로도 구현 가능할정도로 계산 방법 자체는 간단
| 아이템A | 아이템B | 아이템C | |
|---|---|---|---|
| 사용자1 | o | o | |
| 사용자2 | o | o | |
| 사용자3 | o | ||
| 사용자4 | o | o | o |
지지도
- 지지도란 어떤 아이템이 전체 중에서 출현한 비율.
지지도(A) = (A의 출현 수) / 전체 데이터 수 3/4 = 0.75
지지도(B) = (B의 출현수) / 전체 데이터 수 3/4 = 0.75
지지도(C) = (C의 출현수) / 전체 데이터 수 2/4 = 0.5
지지도(A and B) = (A와 B의 동시 출현 수) / 전체 데이터 수 = 3/4 = 0.75
확신도
- 아이템 A가 나타났을 때 아이템 B가 나타날 비율
확신도(A -> B) = (A와 B의 동시 출현 수) / (A의 출현수) = 3/3 = 1.0
리프트값
- 리프트값이란 아이템 A와 아이템 B의 출현이 어느 정도 상관관계를 갖는지 나타내는 것
리프트(A -> B) = 지지도(A and B) / (지지도(A) 지지도(B)) = 0.75 / (0.75 0.75) = 1.333
-
서로 독립적인 아이템이라면 리프트값은 1이 된다.
-
각 아이템의 양의 상관관계가 존재하면 리프트 값은 1보다 커지며 음의 상관관계의 경우 리프트 값은 1보다 작아진다.
-
또한 이러한 리프트 값에 로그를 취하면 점별 상호정보량(PMI)(Point Mutual Information)이 된다.
-
추천시스템의 경우 리프트 값이 높을 수록 아이템 A 출현과 아이템 B의 출현의 상관관계가 높으므로 아이템 A를 구입한 사용자에게 아이템 B를 추천하면 구입 확률이 높아질 가능성이 있다.
-
엄밀하게는 인과 관계가 아니기 때문에 실제 추천을 통하여 검증해야한다.
-
mlxtend 라이브러리의 apriori를 통하여 구현가능
사용자-사용자 메모리 기반 방법 협조 필터링
- 메모리 기반 방법에서는 추천 시스템이 사용될 때까지 시스템 내의 사용자 데이터를 축적하기만 하고 계산은 수행하지 않으며 추천하는 시점에서 축적된 데이터 중 필요한 것을 모두 사용하여 예측 계산을 수행
- 예측 계산시 다른 알고리즘에 비해 시간이 걸리는 경우가 많다
- 미리 얻은 평갓값을 사용해 사용자 사이의 유사도를 계산하고 추천받을 사용자와 기호 경향이 비슷한 사용자를 찾는다
- 기호 경향이 비슷한 사용자의 평갓값으로 추천받을 사용자의 미지의 아이템에 대한 예측 평갓값을 계산
- 예측 평갓값이 높은 아이템을 사용자에게 추천한다.
- Surprise 라이브러리를 활용하여 구현이 가능
회귀 모델
- 미지의 아이템에 대한 평갓값을 회귀문제로 정식화함으로써 예측을 할 수 있다.
- 사용자-사용자 메모리 기반 방법 협조 필터링에 비하면 성능이 떨어질 수 있다.
- 무작위 추천과 비슷한 정확도를 보이는데, 평가 수에 일정한 임계값을 설정하면 이러한 현상을 피할 수 있다.
