추천시스템 - 기본

내용 기반 추천시스템

---

• 내용 기반 추천시스템의 원리
  ✔️ 각 사용자가 구매/만족했던 상품과 유사한 것을 추천하는 방법(동일한 장르의 영화 추천, 같은 학교 동기들을 친구로 추천하는 것 등...)
  
  ✔️ 시스템의 4가지 단계
  
  출처: Naver BoostCamp AI Tech - edwith 강의
  
  1️⃣ 사용자가 선호했던 상품들의 상품 프로필(Item Profile)을 수집하는 단계
  👉 상품 프로필이란 해당 상품의 특성을 나열한 벡터이다.(예 - 원-핫 인코딩의 사용)
  
  2️⃣ 사용자 프로필(User Profile)을 구성하는 단계
  👉 선호한 상품 프로필을 선호도를 사용하여 가중 평균하여 계산한다.(원-핫 인코딩된 벡터들을 가중평균)
  
  3️⃣ 사용자 프로필과 다른 상품들의 상품 프로필을 매칭하는 단계
  👉 사용자 프로필 벡터 $\overrightarrow{u}$와 상품 프로필 벡터$\overrightarrow{v}$가 있다고 가정할 코사인 유사도(벡터의 내적 식에서 유도) $\frac{\overrightarrow{u} \cdot \overrightarrow{v}}{||\overrightarrow{u}|| ||\overrightarrow{v}||}$를 계산하여 그 유사도를 비교한다.(코사인 유사도 값이 높을수록 두 벡터 사이의 각도는 작다.)
  
  출처: Naver BoostCamp AI Tech - edwith 강의
  
  👉 코사인 유사도가 높을 수록, 해당 사용자가 과거 선호했던 상품들과 해당 상품이 유사함을 의미
  
  4️⃣ 사용자에게 상품을 추천하는 단계
  👉 코사인 유사도가 높은 상품들을 추천
  
  ✔️ 장점
  1, 다른 사용자의 구매 기록이 필요하지 않음
  
  2, 독특한 취향의 사용자에게도 적용이 가능
  
  3, 새 상품에 대하여 추천이 가능
  
  4, 추천의 이유를 제공 할 수 있다.(상품 프로필과 사용자 프로필을 사용하여 추천을 해 주기 때문)
  
  ✔️ 단점
  1, 상품에 대한 부가 정보가 없는 경우 사용 할 수 없다.
  
  2, 구매 기록이 없는 사용자에게는 사용할 수 없다.
  
  3, Overfitting으로 지나치게 협소한 추천을 할 위험이 있다.(하나에 치우친 추천을 할 수 있다.)

협업 필터링

---

✔️ 비슷한 취향을 가진 사람들을 판단의 기준으로 삼아 추천하는 방법

✔️ 시스템의 3가지 단계

출처: Naver BoostCamp AI Tech - edwith 강의

1️⃣ 추천의 대상 사용자를 $x$라고 가정

2️⃣ 다음 단계로 유사한 취향의 사용자들이 선호한 상품을 찾음

3️⃣ 마지막으로 해당 상품을 $x$에게 추천한다.

✔️ 취향의 유사성은 상관 계수(Correlation Coefficient)를 통하여 측정한다.
➡️ $sim(x,y) = \frac{\sum_{s \in S_{xy}}(r_{xs} - \overline{r_x})(r_{ys} - \overline{r_y})}{\sqrt{\sum_{s \in S_{xy}}(r_{xs} - \overline{r_x})^2}\sqrt{\sum_{s \in S_{xy}}}(r_{ys} - \overline{r_y})^2}$
👉 사용자 $x$의 상품$s$에 대한 평점 : $r_{xs}$
👉 사용자 $x$가 매긴 평균 평점 : $\overline{r_x}$
👉 사용자 $x$와 $y$가 공동 구매한 상품들 : $S_{xy}$

✔️ 취향 유사도의 예시


❗️ 둘의 취향은 매우 유사하다.

❗️ 둘의 취향은 매우 상이하다.

✔️ 취향의 유사돌르 가중치로 사용한 평점의 가중 편균을 통해 평점을 추정
👉 사용자 $x$의 상품 $s$에 대한 평점을 $r_{xs}$를 추정하는 경우
1️⃣ 상품 $s$를 구매한 사용자 중 $x$와 취향이 가장 유사한 $k$명의 사용자 $N(x;s)$를 뽑는다.

2️⃣ 평점 $r_{xs}$는 해당 수식을 이용하여 추정
➡️ $\hat{r}_{xs} = \frac{\sum_{y \in N(x;s)}sim(x,y) \cdot r_{ys}}{\sum_{y \in N(x;s)}sim(x,y)}$
⭐️ 취향의 유사도를 가중치로 사용한 평점의 가중 평균을 계산 ➡️ 추정한 평점이 가장 높은 상품들을 $x$에게 추천

✔️ 장점
1, 상품에 대한 부가 정보가 없는 경우에도 사용이 가능

✔️ 단점
1, 충분한 수의 평점데이터가 누적되어야 효과적

2, 새 상품, 새로운 사용자에 대한 추천 불가능

3, 독특한 취향의 사용자에게 추천이 어렵다.(취향의 유사도가 높은 사람이 존재하지 않을 수 있기 때문)

추천 시스템의 평가

---

• 추천 시스템의 평가는 훈련 데이터와 평가데이터로 분리 후 훈련데이터를 이용해서 평가 데이터의 평점을 추정하고 실제 평가 데이터를 비교하여 오차를 측정하고 이를 평가 지표로 사용하게 된다.
  
  출처: Naver BoostCamp AI Tech - edwith 강의
  
• 평가 지표
  오차를 측정하는 지표로는 다음과 같은 방법들이 존재한다.
  ✔️ 평균 제곱 오차(Mean Squared Error, MSE)
  ➡️ $\frac{1}{|T|}\sum_{r_{xi} \in T}(r_{xi} - \hat{r_{xi}})^2\;$(이때, 평가 데이터 내의 평점들의 집합은 $T$)
  
  
  ✔️ 평균 제곱근 오차(Root Mean Squared Error, RMSE)
  ➡️ $\sqrt{\frac{1}{|T|}\sum_{r_{xi} \in T}(r_{xi} - \hat{r_{xi}})^2}\;$
  
  
  ✔️ 추정한 평점으로 순위를 매긴 후, 실제 평점으로 매긴 순위와의 상관 계수 계산
  
  ✔️ 추천한 상품 둥 실제 구매로 이루워진 것의 비율을 측정
  
  ✔️ 추천의 순서 혹은 다양성까지 고려하는 지표들도 사용

Reference

Naver BoostCamp AI Tech - edwith 강의