Collaborative 필터링
: Memory-based
항목에 대한 과거 사용자의 선호도 기억해 추천 예: 사용자가 A 영화를 좋아했을 때, 그 영화를 보고 좋아요한 다른 사용자의 선호도를 조사해서 그걸 나에게 추천.: Model-based
모델을 학습하여 추천을 생성 행렬 분해(SVD - Singular Value Decomposition),
사용자와 항목 간의 관계를 수학적으로 표현한 것
(*자세한 내용 -
유저 행렬에는 각 유저가 재미, 감동, 티켓값 중 어떤 feature를 더 중요하게 여기는지를 수치화하고, 아이템 행렬에서도 영화가 재미, 감동, 티켓값 중 어떤 feature에 적합한지를 수치화한 뒤 유저 행렬과와 아이템 행렬을을 내적해서 원본 행렬을 복원하게 됩니다.
비슷할 수 록 1 .
?는 복원하기 위해 자동으로 계산되는 값이기 때문에 feature들을 latent feature이라고 합니다.
(Matrix factorization - 행렬분해)
user-item matrix에 대하여 데이터가 없는 부분을 model을 통해 채워 넣는 과정
단점 ) Cold start : 신규 사용자의 정보가 충분하지 않을 때 발생.
-
Content-based 필터링
사용자가 선호한 콘텐츠 기반 추천
예: 사용자가 SF 장르의 영화를 좋아하면, 그와 유사한 SF 영화 추천
-
Hybrid 필터링
: 협업 + 콘텐츠 필터링 결합 해서
cold start 문제 해결신규 사용자는 처음엔 콘텐츠 기반 필터링을 하고
데이터가 쌓이면 협업 필터링을 통해서 추천 .
Let's study hard!