E-commerce, 콘텐츠 등 -> 추천 시스템 사용!
- 사용자에게 맞춤 콘텐츠를 제공
추천 엔진의 필요성
- 너무 많은 상품으로 가득 찬 온라인 스토어
- 한정된 시간, 어떤 상품을 골라야 할지 선택의 압박
기업에게는 비즈니스를 위해, 고객에게는 이용 즐거움을 위해 추천 시스템을 적용
- 사용자가 어떤 상품을 구매했는가?
- 사용자가 어떤 제품을 Browse했는가?
- 사용자가 무엇을 클릭했는가?
- 사용자가 평가한 영화 평점은?
- 당신만을 위한 최신 상품
- 이 상품을 선택한 다른 사람들이 좋아하는 상품들
- 이 상품을 좋아하시나요? 아래 있는 다른 상품은 어떠신가요?
- 추천 시스템의 묘미는 사용자 자신도 좋아하는지 모르고 있었던 취향을 발견하는 것이다.
- 정교한 추천 시스템은 사용자에게 높은 신뢰도를 얻게 되며, 맹목적으로 사용자가 이에 의존하게 만든다.
- 이를 기반으로 서비스 프로바이더는 고객 충성도를 크게 향상시킬 수 있다.
추천 시스템 방식
콘텐츠 기반 필터링
- ex) 영화 : 감독, 장르, 취향 등 반영
협업 필터링
- ex) 내가 선택한 상품들이 다른 사람이 선택한 상품들과 비슷한 경우
추천 시스템은 이들 방식 중 1가지를 선택하거나 이들을 결합하여 hybrid로 사용
하이브리드 기반 추천
- 넷플릭스의 경우 자사가 생성한 콘텐츠 위주로 추천 영화가 치우치는 경향이 시작됨
콘텐츠 기반 필터링(Contents Based Filtering)
- 사용자 선호 프로파일
- ex) 영화 : 감독, 배우, 영화 설명, 장르 등 영화를 구성하는 다양한 콘텐츠들을 텍스트 기반 문서 유사도로 비교하여 추천
영화 구성 콘텐츠 텍스트 -> 피처 벡터화(Count, TF-IDF) -> 코사인 유사도 -> 유사도 및 평점에 따른 영화 추천
주요 프로세스
- 콘텐츠에 대한 여러 텍스트 정보들을 피처 벡터화
- 코사인 유사도로 콘텐츠별 유사도 계산
- 콘텐츠 별로 가중 평점을 계산
- 유사도가 높은 콘텐츠 중에 평점이 좋은 콘텐츠 순으로 추천
