안녕하세요! 최근 패스트 캠퍼스에서 추천시스템 강의(The RED : 현실 데이터를 활용한 추천시스템 구현)를 듣고 있어 이에 대한 내용을 간략하게 공유하고, 스스로도 정리해보고자 이 포스트를 게시하게 되었습니다.

현재 계속 수강중이며 내용은 계속해서 추가하겠습니다!

이전의 포스트를 나누어 게시한 게시물입니다.

3. e-커머스 추천

이번 챕터에서는 e-커머스에 주로 사용되는 추천 방법들을 적용해보는 실습과정으로, postgreSQL을 psycopg2를 이용해 Python에 연결해서 사용해봤습니다. 실습내용은 포스트에 포함되지 않았습니다!

3.1. e-커머스 사용자 흐름

e-커머스에서 기본적으로 사용자들의 흐름에 대해 설명해보면

• 홈 $\rightarrow$ 검색, 제품 상세
• 검색 $\rightarrow$ 제품 상세
• 제품 상세 $\rightarrow$ 장바구니, 구매
• 장바구니 $\rightarrow$ 구매

와 같은 흐름으로 이루어 진다고 합니다. 이때 홈, 제품 상세, 장바구니에서 각각의 요건에 따라 다른 추천방식이 적용될 수 있습니다.

각 흐름에 따라 살펴보기 위해 제가 좋아하는 KFC어플을 통해 예를 들어보겠습니다.

• 홈 : 개인화 추천, 인기 상품 추천, 성별/연령 기반 추천
  • e.g. 방문 매장과 관련된 메뉴 추천, 사용자의 구매이력을 통한 메뉴 추천, 방문한 시간의 특징/온도 등을 바탕으로한 추천
    $\;$
• 제품 상세 : 연관 대체 상품 추천 (음료 - 음료, 푸드 - 푸드 등 동일한 카테고리 추천)
  • e.g. 메뉴 상세 페이지 대체 상품 추천, 미판매 및 품절 시 대체 상품 추천
    $\;$
• 장바구니 : 연관 보완 상품 추천 (음료 - 푸드 등 다른 카테고리간의 유사한 상품 연결하여 추천)
  • e.g. 담기 팝업 보완 상품 추천, 메뉴 상세 페이지 보완 상품 추천, 메뉴 리스트 베스트 Badge

즉, 각 단계별로 필요한 요건의 추천을 하여 사용자로 하여금 더욱 많은 상품들을 살펴보고 구매할 수 있도록 합니다.

3.1.1. 추천 알고리즘 선택

• Hybrid Approach : e-커머스의 경우 대부분 CF를 이용하지만, CBF방법을 결합하여 이용하기도 한다고 합니다.

• CF

  • User-based : 적용하기 어려우며, 아이템 수보다 사용자 수가 더 많은 경우 계산량에 매우 많으며, 신규로 추가되는 상품이 많은 경우 적용하기 어려움
  • Item-based : e-커머스에서 대부분 사용하는 방법임

• 사용자 메타 정보 (연령, 성별 등) 및 상품 정보를 이용하여 구축

• 결합 규칙

  • 정적 결합 : 사전 정보를 바탕으로한 가중치를 사용
  • 동적 결합 : 사용자의 프로파일, 아이템 특성에 따라 다른 가중치 사용

• Display 정책에 따른 추천 시스템 구축

3.2. Best 추천

Best 추천은 무조건 많이 팔리거나 이용된 상품들을 추천하기보다 그룹을 설정하여 해당 그룹에 속한 사용자에게는 그룹의 Best 상품을 추천해 줄 수 있습니다.

그룹은 전체, 시간대 별, 브랜드 별, 카테고리 별, 성별에 따른 베스트 등으로 나눌 수 있으며, 구매 베스트, 클릭 베스트 등 여러 기준을 통해 베스트 상품을 산출해 낼 수 있습니다.

• 매장 별 베스트 : 매장 특성에 따라 여러 매장 그룹을 정의하고, 판매 상품 카테고리 마다 별도의 스코어링을 이용

• 시간대 베스트 : 시간대 그룹을 정의 하여(오전, 오후, 저녁 등) 카테고리 마다 별도의 스코어링

• 온도 그룹 베스트 : 다른 특징을 보이는 온도를 그룹화 하고 이에 따라 별도의 베스트 상품 스코어링

• 칼로리 베스트 : 제품의 칼로리를 고칼로리, 저칼로리로 그룹화하고 베스트 상품 스코어링

3.3. 연관 추천

연관 추천의 경우 특정 기준을 정하고 Transaction 데이터를 이용해 아이템 연관성 추출하여 이용합니다.

• 사용자 기준: 동일 사용자가 같이 본 아이템들은 연관성이 존재

  • 장점 : 취향이나 선호도를 반영하기에 적합, 다양한 상품 추천
  • 단점 : 관련이 적은 상품이 추천될 수 있음
  • 위의 그림에서 사용자 기준 특성을 추출할 경우, [[1, 1], [1, 1]].

• 세션 기준: 동일 세션에서 같이 조회한 아이템듫은 연관성 존재

  • 장점 : 사용자의 의도를 반영하기에 적합함
  • 단점 : 추천되는 상품의 다양성이 떨어질 수 있음
  • 위의 그림에서 세션 기준 특성을 추출할 경우, [[1, 1], [1, 1], [1, 0], [1, 1], [1, 1]].

• 인접 기준: 동일 사용자 로그의 인접한 아이템들은 연관성 존재

  • 장점 : 사용자의 의도를 반영하기에 적합함
  • 단점 : 추천되는 상품이 한정적일 수 있음
  • 위의 그림에서 인접 기준 특성을 추출할 경우, [[1, 1], [1, 0], [0, 1], [1, 0], [1, 1], [1, 1]].

즉, 사용자 -> 세션 -> 인접 순으로 다양한 상품을 추천하며, 인접 -> 세션 -> 사용자 순으로 사용자의 의도 등을 더욱 강하게 파악하는 것으로 보입니다.

유사도 지표

• Co-occurrence : $n(i \wedge j)$

• Conditional Probability : $P(j\mid i ) = n(i \wedge j) / n(i)$

• Cosine Similarity : $cos(i,j) = n(i \wedge j)/ \left( \sqrt{n(i)}\sqrt{n(j)}\right)$

Tip

• 카운팅 횟수가 많은 경우 $y = log(x+1)$ 등의 변환을 이용하여 유사도 계산

• 자주 구매한 상품의 가중치를 낮추기 위해 TF-IDF를 통한 개선 가능

• 상품의 횟수를 고려하지 않고 구매가 발생되면 1로 계산하는 이진값을 통한 계산 가능

• 추천 결과가 부족한 경우

  • CBF 결과 활용
  • Best 추천 결과를 보완 로직으로 이용
  • 추천 결과의 연관 상품까지 결과로 이용

3.4. 개인화 추천

• 연관 추천을 이용한 개인화

• 유사한 사용자 기반 개인황 (kNN)

• 사용자 활동 로그를 활용하여 프로파일 생성

3.4.1. 연관 추천을 이용한 개인화

연관 추천을 이용할 때, 사용자 $u$에 대한 아이템 $j$의 개인화 추천 스코어링 방법은 다음과 같은 식으로 나타낼 수 있습니다.

$\;$
$S(u,j) = \sum_{e \in H_u} s(i,j)\cdot r(t)$
$\;$

• $r(t) = \lambda^{\frac{t_0 - t}{\alpha}}$ : 시간에 따른 weight로 현재와 멀 수록 낮은 값의 가중치를 부여함

• $H_u = \{e \mid e = (i,t)\}$ : 활동 이력 집합으로 $i$는 아이템 $t$는 시간을 의미

예를 들어, 사용자가 아이템 A을 구매하고 이후에 아이템 B를 구매하였다고 해봅시다!

이때 아이템 A와 B의 연관 추천 세트를 살펴보면

• 아이템 A 연관 세트

  아이템	점수
  아이템 C	0.5
  아이템 D	0.45
  아이템 F	0.4

• 아이템 B 연관 세트

  아이템	점수
  아이템 C	0.5
  아이템 D	0.45
  아이템 G	0.4

여기서 아이템 A를 구매한 시점에 가중치 값을 0.5, 아이템 B를 구매한 시점의 가중치 값을 1이라고 하면,

아이템	점수
아이템 C	0.75
아이템 D	0.675
아이템 G	0.4
아이템 F	0.2

와 같이 개인화 추천 점수를 계산할 수 있습니다!

3.4.2. kNN 방법

머신러닝에서 흔히 이용되는 kNN알고리즘과 같이 k명의 유사한 사용자를 찾아 추천하는 것입니다.

kNN 방법에서 사용자 $u$에 대한 아이템 $j$의 스코어는

$\;$
$S(u,j) = \sum_{b \in SU_u} sim(u,v) \cdot S(v,j)$

$\;$

• $SU_u$ 는 사용자 $u$와 유사한 사용자 집합

• 사용자를 document로 아이템을 word로 고려하면 TF-IDF 값으로 적용 가능

Tip

• 사용자 간의 유사도 계산에서, 각 사용자의 특성을 나타낼 수 있는 기준 선정

  • 사용자의 전체 접근 아이템 스코어
  • 세션내 일정 숫자 이상의 아이템을 클릭한 아이템 스코어

• TF-IDF값을 이용한 스코어링

• 사용자에게 추천할 상품을 생성하기 위한 기준 선정

  • 최근 클릭한 아이템
  • 최근 구매한 아이템
  • 최근 세션내 가장 많이 클릭한 아이템