이 글은 부스트캠프 AI Tech 3기 강의를 듣고 정리한 글입니다.
개요
Recommendation vs Search
Search
Query 라는 Keyword로 검색하면 그 결과에 맞는 정보를 주는 것
사용자가 정확한 의도를 가지고 검색하여 당겨오는 방식으로 pull 방식이라고도 한다.
Recommendation
사용자의 흥미나 의도를 고려하여 정보를 추출해 주는 것으로 Push 방식이라고도 한다.
추천시스템의 필요성
- 과거에는 상품, 컨텐츠의 양이 제한적
- 웹/모바일 환경은 다양한 상품, 컨텐츠를 등장시킴
- 정보의 부족 -> 정보의 풍요
- Few Popular Item ->
Long Tail Phenomenon
- 정보를 찾는데 시간이 오래걸림
개인화
Long Tail Phenomenon 로의 변화로 개인화가 중요시 됨
즉 LongTail 추천이 잘 될 수록 개인화가 잘 된것으로 볼 수 있음
Ex) 유튜브 동영상 추천
조회수가 급상승한 영상 -> 관련 영상 -> 채널의 영상 추천
( 조회수가 적은 경우에도 )
Ex) SNS 친구 추천
수많은 유저 가운데 내가 알만한 사람들을 추천
사용 데이터
User 관련 데이터
-
유저 프로파일링
: 유저에 관련된 정보를 구축 -> 개별 유저 혹은 유저 그룹별로 추천
-
식별자(Identifier)(가장 중요)
: 유저 ID / 디바이스ID(광고 추천시) / 브라우저 쿠키(로그인 안했을 시)
-
데모그래픽 정보
: 성별, 연령, 지역, 관심사
유저로부터 직접 수집하는 것이 가장 좋지만 개인정보보호법으로 어려워 지면서추정으로 알아내기도 한다.
유저 행동 정보
: 페이지 방문 기록, 아이템 평가, 구매 등의피드백 기록
Item 관련 정보
- 아이템 프로파일링
아이템 ID( 가장 중요 )- 아이템의 고유정보(
meta data)
: Content based recommendation에서 주로 쓰임
ex )
영화 -> 장르, 감독, 배우, 소개글, 개봉년도 등
상품 -> 카테고리, 브랜드, 출시일, 상품 이미지 등
User-Item Interaction 정보
Feedback: user 가 아이템과 상호작용시 남은 Log
-
Explicit Feedback
유저가 아이템에 대한 만족도를직접 평가한 경우
ex) 영화평점, 음식점 리뷰평점 등
-
Implicit Feedback
유저가 아이템을간접적으로 평가했다고 볼 수 있는 경우
ex) 클릭 , 해당 아이템 구매, 영상 재생 등
-
추천시스템 현업에서 핵심 데이터는 Implicit Feedback 이다.
주의할 점은 Implicit Feedback은 선호도(Preference)를 확신 할 수 없다는 점이다.
(논문을 읽다보면 Implicit Feedback 은 Preference 가 아닌 신뢰도 Confidence 를 보장한다는 말이 자주 보인다.)
문제 정의
추천 시스템의 목적은 특정 유저에게 적합한 아이템을 추천하는 것이다.
그렇다면 user-item interaction 을 평가할 score가 필요하다.
랭킹( Ranking ; Top K )
유저에게 적합한 아이템 Top K개를 추천하는 문제
Top K 를 정하기 위한 score 가 필요하지만 유저가 아이템에 가지는 정확한 선호도를 구할 필요는 없음
이말인 즉슨 score 와 평점의 스케일이 달라도 상관 없다.
(예를 들어 score 범위가 0~100 이고 평점은 1~5 라도 상관 없다)
- 평가지표 :
Precision @ K,Recall @ K,MAP @ K,nDCG @ K
예측( Prediction )
유저가 아이템을 가질 선호도를 정확하게 예측 (평점 / 클릭or구매확률)
Explicit Feedback : U가 영화 A에 내릴 평점값 예측
Implicit Feedback : U가 I를 구매할 확률 예측
-> user-item matrix completion 문제로 귀결됨
- 평가지표 :
MAE,RMSE,AUC
