[K-Data x 러닝스푼즈] 3-1. 모델 기반 협업 필터링?

지금까지 유저/아이템 간의 유사도를 구해 추천을 하는 User-based나 Item-based 같은 Neighborhood-based CF에 대해 공부를 해봤습니다!

이번 포스팅에서는 머신러닝 모델을 활용하는 Model-based CF에 대해 적어보려고 합니다!

# 모델 기반 협업 필터링?

-SVD(Singular Value Decomposition)

-MF(Matrix Factorization) / SGD, ALS, BPR 등의 종류가 있음..

 

유저/아이템 간의 유사도에 의존하는 기법들은 데이터의 sparsity(데이터의 빈공간?)에 취약하고

추천 결과를 생성할 때마다 많은 연산을 요구하게 됩니다!

< Model-based CF의 특징 >

- Model-based CF는 머신러닝 모델을 사용하며 데이터 정보가 파라미텉 형태로 모델에 나타나며 최적화를 통해 이를 업데이트!

- 이웃기반 CF는 유저/아이템 벡터를 데이터를 통해 계산된 형태로 저장하는 반면 Model-based CF의 경우 유저, 아이템 벡터는 학습을 통해 변함!!

- 최근엔 Model-based CF원리를 딥러닝에 응용한 모델이 높은 성능을 냄

< Model-based CF의 장점 >

1) 모델의 학습/서빙

: 유저/아이템 데이터는 학습에만 사용되고 이미 학습된 모델을 통해 추천결과를 서빙 -> 속도가 빠름

 

2) Sparsity/Scalability 극복

: 이웃기반 CF에 비해 sparse한 데이터(빈공간이 있는 데이터)에서도 좋은 성능을 보임,

또한 사용자/아이템 개수가 늘어나도 좋은 추천 성능을 보임

=> Limited Coverage

: 이웃 기반 CF의 경우 공통의 유저/아이템을 많이 공유해야 유사도 값이 정확해진다.

유사도 값이 정확하지 않은 경우 이웃의 효과를 보기 어렵다. Model-based CF는 이웃 기반 CF보다는 이 문제가 덜하다(?)는 장점

 

3) Overfitting 방지

 

 

---

오늘은 간단하게 Model-based CF의 특징에 대해 정리해보았습니다!

다음 포스팅에서는 조금 더 자세하게 Model-based CF의 여러 방법에 대해 가져오도록 하겠습니다

끝~~~