본 포스팅은 Fastcampus 강의를 수강하며 일부 내용을 정리한 글임을 밝힙니다. 보다 자세한 내용은 아래 강의를 통해 확인해주세요.
- 참고 : Fastcampus 딥러닝을 활용한 추천시스템 구현 올인원 패키지 Online
Ch 01. Introduction to Recommender System
추천시스템이란?
- 추천시스템의 중요 용어: 사용자(User)와 상품(Item)
- 특정 사용자가 좋아할 상품을 추천 or 비슷한 상품을 좋아할 사용자를 추천
즉, 사용자도 추천해주고 상품도 추천해줄 수 있음 ➡️ Item이든 User든 관심을 가질만한 정보를 추천해주는 것
- Ex 1) 구글 검색창에 키워드로 검색 => 결과를 바탕으로 User가 원하는 정보 선택
- Ex 2) User가 원하는 것을 보여주는 것이 아닌, User가 원할 것 같은 Item을 보여줌
추천시스템은 User가 좋아하는 것을 정확히 모르지만 좋아할 것 같은 Item을 추천해줌
추천시스템의 장점
인터넷에서 찾을 수 있는 정보가 매우 많고, 정보를 찾는데 소요되는 시간이 큼
➡️ 사용자가 정보를 수집하고 찾는 시간을 줄여줌!
검색 서비스와 추천 서비스의 차이
| 검색 서비스 | 추천 서비스 |
|---|---|
| Pull Information(정보를 당긴다) | Push Information(정보를 제공한다) |
| 사용자가 요구한 후 작동 | 사용자가 요구하기 전 작동 |
| 사용자 스스로 원하는 바를 알고 있음 | 사용자 스스로 원하는 바를 정확히 알지 못함 |
사용자(User)와 상품(Item)
- 사용자와 아이템 사이의 관계 분석 및 연관관계 찾음 ➡️ 추천시스템의 가장 큰 역할
- 연관 관계를 모두 점수화하여 어떤 사용자 or 어떤 아이템을 좋아할 지 알려줌
- 사용자 정보 예시: 사용자 고유 정보(나이, 성별, 지역 등), 사용자 로그 분석(행동 패턴 등)
- 행동 패턴: 어떤 것을 검색하고, 어떤 검색 결과를 만족했는지, 검색 결과 후 어떤 행동을 취했는 지
- 아이템 정보 예시: 아이템 고유 정보(가격, 색상, 내용 등)
- 사용자 정보 예시: 사용자 고유 정보(나이, 성별, 지역 등), 사용자 로그 분석(행동 패턴 등)
User Profile 만들기
-
사용자 또는 사용자 그룹을 분석 가능한 요소로 프로파일링(Profiling)
-
사용자를 구분할 수 있는 정보 활용 (사용자ID, 쿠키, 인터넷 주소, 웹 방문 기록, 클릭 패턴 등)
-
사용자 정보 수집 방법:
- 직접적인 방법(Explicit) :설문조사, 평가, 피드백 등
- 간접적인 방법(Implicit) : 웹페이지 머무는 시간, 클릭 패턴, 검색 로그 등
-
개인별 추천 또는 사용자 그룹별 추천 가능
Item Profile 만들기
- 플랫폼마다 정의하는 아이템 종류 다름
- 추천 아이템 예시:
책/전자제품/옷 등의 웹사이트 내 웹페이지, SNS 비슷한 게시글 혹은 관심있을만한 게시글, 뉴스/논문 등의 문서, 여행지/음식점 등의 장소, 영화/음악/동영상 등의 영상 - 모든 것 추천해주는 플랫폼 현재 X
- 플랫폼마다 관련 있는 아이템만 추천
- 아이템 프로필에 속하는 정보: 아이템 ID, 아이템 고유 정보(크기, 색, 가격 등), 아이템을 좋아하거나 구매한 사용자의 정보
추천점수란?
- 분석된 사용자와 아이템 정보 바탕으로 추천점수 계산
- 사용자/아이템 프로필에서 어떤 정보를 활용할지에 따라 추천 알고리즘 결정
- 추천점수를 잘 계산하기 위한 것이 추천 알고리즘
- 사용자/아이템을 추천하기 위해 각각의 아이템 또는 사용자에 대한 정량화된 기준 필요
- 추천 알고리즘의 목적: 점수화(Scoring) 하는 것
- Ex) 아이템마다 점수를 매겨 가장 유사한 Top-N을 추천
Review
- 추천시스템은 아이템 또는 사용자를 추천
- 아이템과 사용자 프로필은 추천 알고리즘을 위한 중요한 feature가 됨
- 추천 알고리즘은 아이템 또는 사용자를 점수화(Scoring) 하는 것
