추천 시스템
입력 > 프로세스 > 출력
입력 : 콘텐츠와 인터랙션, 내용 기반 필터링 혹은 협조 필터링
프로세스 : 개요 추천, 연관 아이템 추천, 개인화 추천
출력
pull 타입 / push 타입
추천 시스템 개발에 필요한 3가지 스킬
: 비즈니스 문제 해결 능력
: 데이터 사이언스 능력
: 데이터 엔지니어링 능력
추천 시스템 프로젝트 진행 방법
과제 설립 > 가설 수립 > 데이터 설계/수집/가공 > 알고리즘 선정 > 학습/파라미터 튜닝 > 시스템 구현 > 평가 및 개선
크라우드 소싱
데이터 편향
배치 추천, 실시간 추천
적합 아이템 발견
개요 추천 - 신규 혹 사용 빈도 낮은 사용자 정착
알림서비스 - 사용 빈도 향상 및 이탈자 복귀
연관 아이템 추천 - 교차 판매
개인화 - 장기적 사용자 충성도 향상
신선함, 흥미로움, 다양성
협조 필터링 : 메모리 기반 방법, 모델 기반 방법
콜드 스타트 문제
간접 지정형
사용자-사용자 메모리 기반 방법, 아이템-아이템 메모리 기반 방법
기호 데이터
명시적 피드백과 암묵적 피드백
평갓값 ~ 평갓값 행렬
토픽 모델
행렬 분해
LDA
명시적 획득과 암묵적 획득
데이터의 희박함
평갓값의 변동과 편향
배치 추천
실시간 추천
개요 추천
다단계 추천
근사 최근법 탐지
nDCG
클라이언트 사이드 로그
서버 사이드 로그
사용자 커버리지, 카달로그 커버리지
ERR
오프라인 평가 - 모델 정밀도 평가, 모델 밸리데이션, 모델 튜닝
온라인 평가 - A/B테스트, 인터리빙
사용자 스터디를 통한 평가 - 조사 설계, 설문
편향 - 선택 편향, 동조 편향, 노출 편향, 위치 편향, 인지도 편향, 불공정성
상호추천시스템
OEC 지표
가드레일 지표
감도
신뢰성
효율성
디버깅 간으성과 액션 가능성
해석 가능성과 방향성
인터리빙 ~ 멀티리빙
TDM - Team Draft Multileaving
PM - Probabilistic Multileaving
OM - Optimized Multileaving
PPM - Pairwise Preference Multileaving
F1-measure
Recall
Precision
집합 평가 지표
PR 곡선
AUC 곡선
MRR : 사용자 순위에 대해 최초의 적합 아이템이 순위에서 얼마나 상위에 위치하는지 평가하는 지표
AP@K : 평균 정밀도
MAP@K : 중앙 평균 정밀도
MAE : 평균 절대값 오차
MSE : 평균 제곱 오차
RMSE : 평균 제곱근 오차
