[K-Data x 러닝스푼즈] 1-1. 추천 시스템 베이직

강사님의 소개

- 추천시스템 구현을 목표로 두고 공부를 한 것은 아님

- 머신러닝 공부 -> 업무 : 추천, 광고

- 추천시스템은 비즈니스, 서비스와 맞닿아 있음

- 성과가 바로바로 옴 / 재밌음

 

이 강의가 당장 적용할수 없을지라도 좋은 자료가 될 것임!

 

[1-1] 추천시스템 기초

# 추천(Recommendation)이란?

Search(검색) : 명확하게 원하는 것을 가져옴

Recommend(추천) : 검색하지 않아도 알아서 알려줌 -> push방식

 

# Long-Taile 추천

- Popular products : 왼쪽의 파란색 면적은 모두에게 인기있는 모두가 좋아하는 제품이다.

- Long Tail : 우측의 연두색 면적으로 Long tail의 면적이 커진다면 좋은 플랫폼으로 서비스의 질이 높아진다고 할 수 있다.

=> 모두에게 인기있는 제품을 추천하는 것이 아닌 인기도는 낮아도 고객에게 맞는 제품을 추천해줄 수 있다는 것(?)

 

Long tail의 예시로는

유튜브 동영상 추천, SNS 친구 추천 등이 있다

 

# 용어

Explicit Feedback

: 유저에게 아이템에 대한 만족도를 직접 물어본 경우

예 ) 유저의 영화에 대한 1~5점 사이의 평점, 왓차 or 넷플릭스에서 영화나 드라마에 대한 평점

-> 사용자가 남기는 경우가 드물다? 데이터의 양이 적음

 

Implicit Feedback

: 유저가 아이템을 클릭하거나 구매한 경우

예 ) 쿠팡에서 유저가 상품을 구매하면 implicit Feedback=Y 

-> 구매하면 기록이 남는것이기 때문에 데이터 양이 많음

 

# 추천 문제

1) 랭킹(Ranking) 

: 유저에게 적합한 아이템 Top K개를 추천

유저의 아이템에 대한 선호도를 구할 필요 없이 소비자가 선호할 것으로 예상되는 Top K를 선정하는 것.

-> 평가지표 : Precision@K, Recall@k, MAP@K, nDCG@K

 

2) 예측(Prediction)

: 유저의 아이템에 대한 선호도를 정확하게 예측하는 것

여기서 Explicit Feedback은 철수가 아이언맨에 대해 내릴 평점값을 예측하는 것

Implicit Feedback은 영희가 아이폰12를 조회하거나 구매할 확률값을 예측

-> 평가지표 : MAE, RMSE, AUC

 

# 추천 시스템의 종류

1) CB (Content-based Recommendation)

: 유저가 선호하는 아이템 정보를 기반으로 해당 아이템과 유사한 아이템을 추천

즉 새로운 아이템이 왔을 때 그 새로운 아이템의 고유한 정보를 바탕으로 기존의 아이템과 매칭을 시켜서 추천해줄 수 있다!

2) CF (Collaborative Filtering)

: 유저 A와 비슷한 성향을 갖는 유저들이 선호하는 아이템을 추천

아이템이 가진 속성을 사용하지 않으면서도 높은 성능을 보임

# 추천시스템의 문제점

1) Cold Start 

: 새로운 유저나 아이템이 등장할 경우 학습을 위한 데이터가 부족함!

기본적인 모델 구축이 어려운 문제

 

2) Scalability 

: 유저와 아이템이 크게 증가하여 데이터의 크기가 기하급수적으로 커짐..

모델 학습 및 추천을 위한 추론에 걸리는 시간과 계산량도 많아짐

 

3) Data Sparsity

: 유저가 볼 수 있는 아이템이 한정적이다보니

유저-아이템 사이의 Feedback이 있는 경우보다 없는 경우가 압도적으로 많다

특히 유저, 아이템의 개수가 많아질수록..

 

---

 

이번 글에서는 추천 시스템의 기초에 대해 다뤄봤습니다!

기본적인 용어부터 생소했는데 추천시스템을 처음 접하시는 다른 분들도

많은 도움이 되셨길..!!

 

끝!