사용자가 관심있어 할만한 아이템을 제공해주는 자동화된 시스템
- 핵심
- 관심을 어떻게 표현하는가?
- 관심을 어떻게 측정하는가?
=> 유사도 측정
사용자와 아이템
- 사용자: 서비스를 사용하는 사람
- 아이템: 서비스에서 판매하는 물품(다른 사용자가 물품이 될 수 있음)
보통 서비스가 성장하면 사용자, 아이템의 수도 같이 성장함
- 하지만 아이템의 수가 커지면서 아이템 디스커버리 문제가 대두
- 모든 사용자가 검색(능동적)을 하지 않으며 사람들이 점점 더 추천(수동적) 선호
필요성
- 조금의 노력으로 사용자가 관심있어 할만한 아이템을 찾아주는 방법
- 아이템의 수가 굉장히 큰 경우 더 의미가 있다
- 수작업으론...도저히 불가 → 자동화 필요!
- 개인화(Personalization)으로 연결됨
- 확증편향의 문제가 있을 수 있다
- 가끔씩 전혀 관심없을 듯한 아이템도 추천 가능(Serendipity)
- 회사 관점에서는 추천 엔진을 기반으로 다양한 기능 추가 가능
- 마케팅시 추천 엔진 사용(이메일 마케팅)
- 관련 상품 추천으로 쉽게 확장 가능
- 아이템 수가 많아서 원하는 것을 찾기 쉽지 않은 경우
⇒ 검색을 위한 수고를 덜어줌
- 추천을 통해 신상품등의 마케팅이 가능해짐
- 새로 나온 아이템들은 노출 자체가 어려운데 추천을 통해 기회를 줄 수 있다
- 인기 아이템 뿐만 아니라 롱 테일의 다양한 아이템 노출이 가능
- 추천 방식에 따라 다르지만 개인화가 잘 되면 이게 가능해짐
추천은 매칭 문제!
- 사용자에게 맞는 아이템을 매칭해주기
- 아이템은 서비스에 따라 달라지며 아이템이 다른 사용자가 될 수도 있음 (친구 추천, 강의 추천...)
- 어떤 아이뎀을 추천할 것인가?
- 다양한 방법이 존재
- 지금 뜨는 아이템 추천(개인화되어 있지 않음)
- 사용자가 마지막에 클릭했던 아이템들 다시 추천
- 사용자가 구매했던 아이템들을 구매한 다른 사용자들이 구매한 아이템 추천 ← 협업 필터링
- 추천 UI도 굉장히 중요
- 추천 유닛 존재. 일르 어떤 순서로 어떻게 노출하는지가 중요
- 구체적인 이유를 보여주는 것이 좋다
- 사용자와 아이템에 대한 부가 정보들이 필요해짐
- 아이템 부가 정보
- 분류 체계
- 태그 형태로 부가정보를 유지하는 것도 아주 좋음
- 사용자 프로파일 정보
- 개인정보: 성별, 연령대 → 콜드 스타트 문제 해결
- 아이템 정보:
- 관심 카테고리와 서브 카테고리(분류체계 기반), 태그
- 클릭 혹은 구매 아이템
- 무엇을 기준으로 추천을 할 것인가?
일상에서 볼 수 있는 추천
- 아마존 관련 상품 추천
키보드 샀다면 → 같이 쓸 마우스 추천
- 넷플릭스 영화, 드라마 추천
이전에 봤던 작품 → 다른 드라마, 영화 추천
추천 타이틀
: 이 작품들 왜 추천하는지
- 구글 검색어 자동 완성
편리, 내가 생각하지 못했던 정보로도 검색할 수 있어서
개인정보 이슈가 있었다
- 링크드인 or 페이스북 친구 추천
- 사용자: 멤버
- 아이템: 멤버
왜 추천하는지 이유를 보여준다
- 스포티파이 노래, 플레이리스트 추천
- 헬스케어 도메인의 위험 점수 계산
사용자: 의사, 간호사
아이템: 환자
어느 환자를 먼저 치료하는게 좋은지 점수로 수치화
→ 공통점
- 격자 형태 UI 사용
- 다양한 종류의 추천 유닛 존재
- 일부 유닛은 개인화
- 일부 유닛은 인기도 등 비 개인화 정보기반
- 추천 유닛의 랭킹 중요
- 이 부분도 모델링하여 개인화하는 추세
- 클릭을 최적화하고 이 데이터 수집을 위한 실험을 함