1. Content-Based filtering: CB

비슷한 아이템을 기반으로 추천

• 도메인 지식 필요
• 아이템 간의 유사도 측정하여 추천
• 모든 이에게 동일한 아이템을 추천
• 보통 아이템, 사용자 수가 적다
• hand-engineered features에서만 성능 좋음
• 텍스트 처리 필요하기도 함(NLP) - 예.작가의 다른 책

핵심
1. 아이템들을 어떤 정보를 기준으로 서술할 건가
2. 유사소 계산 방법 정하기 (코사인, 피어슨...)

2. Collaborative Filtering: CF

기본적으로 다른 사용자들의 정보를 이용하여 취향 예측

1) 메모리 기반 (=Nearest Neighbor based CF)

- 👨‍👩‍👧‍👦 사용자 기반

나와 비슷한 평점 패턴을 보이는 사람들을 찾아서 그 사람들이 높게 평가한 아이템 추천

• 나와 다른 사람 어떻게 표현할 것인가
• 나와 비슷한 사용자를 어떻게 찾을지가 중요
  • 사용자 프로파일 정보 구축
  • 프로파일 정보간의 유사도 계산

- 🎨 아이템 기반

아마존에서 논문으로 발표
유사도 비교 → 평점의 패턴이 비슷한 아이템들을 찾아서 그걸 추천하는 방식
아이템의 수가 보통 사용자 수보다 적다 → 평점의 수가 평균적으로 더 많고 계산량이 작다 → 사용자 기반보다는 덜 sparse → 사용자 기반 협업 필터링과 비교해 더 안정적이며 좋은 성능을 보임

2) 모델 기반

• 넷플릭스 프라이즈 컨테스트 때 고안된 추천 방식
• 사용자 아이템 행렬에서 비어있는 평점들을 SGD를 사용해서 채우는 방식
• SVD(Singular Vector Decomposition)을 사용해서 구현
  • 요즘은 딥려닝의 오토인코더를 사용
• 평점을 포함한 다른 사용자 행동을 예측하는 방식으로 진화

3) 사용자 행동 기반

• 사용자 행동(아이템 클릭 or 구매 등) 정보를 기반으로 추천
  • 사용자, 아이템에 대한 부가 정보 필수
  • 구현 간단하지만 아주 유용
• 사용자 행동을 예측하는 추천 (클릭 or 구매)
  • 모델링을 통해 사용자와 아이템 페어에 대한 클릭 확률 등의 점수 계산 가능
    • 의사 결정 트리나 딥러닝등이 사용 가능
    • 유데미에서 사용했던 방식

4) Latent Factor CF

사용자-아이템 평점 행렬 데이터만을 이용해 말 그대로 '잠재 요인'을 끄집어 내는 것

• Matrix Factorization
• 우연한 추천 기능

3. 다수의 알고리즘: 다양한 방식 조합

4. 지도학습 방식

어떤 기준으로 추천을 하느냐가 가장 중요 - 머신러닝의 레이블 정보!

힌트

• 명시적 힌트: 리뷰점수, 좋아요
• 암시적 힌트: 클릭, 구매, 소비
  • 클릭보다는 구매가 더 좋은 힌트, 소비 여부도 좋은 힌트다
  • 클릭은 노이즈가 있지만 장점은 관심없는 아이템들의 파악이 쉽다
  • 자세한 사용자 행동 정보의 수집, 저장과 가공 먼저 필요