1.1 추천 시스템이란 ?
: 특정 사용자가 좋아할만한 것을 찾아주는 프로그램
더 좋은 추천 시스템을 만들면 사회적 이익이 있고 더 많은 매출로 이어진다
ex) 유튜브
유튜브는 사용자들이 광고를 보고 광고비로 돈을 번다
-> 계속 보고싶은 영상들을 추천해줘서 광고를 계속 보게 한다 -> 매출 up !
대부분의 추천 시스템은 머신러닝으로 만들어짐
1.2 추천 시스템들은 어떻게 추천을 할까 ?
머신러닝 = 어떤 작업을 할 떄, 경험을 통해, 그 작업에 대한 성능이 향상되는 프로그램
추천 시스템 = 어떤 추천을 할 때, 유저의 행동 패턴을 통해, 그 작업에 대한 추천을 더 정확하게 해주는 머신러닝 프로그램
ex) 유저에게 영화를 추천해주는 예시
- 평점 데이터
ㄴ 추천시스템의 목표 = 주어진 평점을 기반으로 빈칸의 값을 예측
이렇게 예측했다고 하자
이제 이를 바탕으로 영화를 추천해주면 됨 (예측값이 높은거로 영화를 추천해주는 것)
추천 시스템
- 유저와 상품의 관계를 표현한 데이터 사용
- 유저와 상호작용이 없었던 상품에 대한 선호도 예측
- 선호도가 높게 예측되는 상품들 유저에게 추천
1.3 추천 시스템 데이터
꼭 평점 데이터를 사용하지 않아도 된다 !!
- 직접 데이터 (explicit data)
: 유저가 직접적으로 상품에 대한 만족/선호도를 표시한 데이터
유저 영화 평점 데이터 (1~5로 선호도 표시)
유튜브 유저 좋아요/싫어요 데이터 (0,1로 선호도 표시)
유저 선호도를 정확하게 나타낸다
- 간접 데이터 (implicit data)
: 유저가 직접적으로 선호도를 표시하지는 않았지만 유추할 수 있는 데이터
유튜브 유저 영상 시청 데이터
아마존 유저 구매 데이터
데이터 형태는 똑같이 표현함
데이터를 수집하기 쉽다
-> 정확한 적은 양의 데이터보다, 조금 부정확하지만 많은 양의 데이터로 학습하는게 더 정확할 수 있다 !
ex) 유튜브 시청 데이터
ㄴ 0과 1을 사용해 빈칸의 값 예측
