[K-Data x 러닝스푼즈] 1-2. 인기도 기반 추천

말그대로 인기있는 제품을 추천해주는 것이 인기도 기반 추천이다.!

[1. Most Popular]

: 조회수가 가장 많은 아이템을 추천 

예 ) 뉴스추천(다른 유저들도 관심을 가지고 있는 핫한 이슈를 보기 위함)

 

예 ) 10명의 뷰(인기도), 6시간 지남 -> 10-6/4=8.5

25명의 뷰(인기도), 24시간 지남 -> 25-24/4=21

 

이 방식의 문제점은

pageview(인기도)가 더 빠르게 늘어난다면 1~2년이 지나도 계속해서 같은 글이 Top Rank에 보일 것임!

 

뉴스의 가장 중요한 속성은
최신성!

 

최신성을 고려하기 위해 업로드 날짜를 고려해줘야한다!

 

# 방법1) Hacker News Formula

pageviews=인기도 / age=시간지남 / gravity=조절가능 상수

시간이 분모에 있어 시간이 지날수록 age가 점점 증가하므로 score가 작아진다!

age를 고려할 수 있는 방법.

시간에 따라 줄어드는 score를 조정하기 위해 gravity 상수를 사용함

gravity=1.8

 

=> 스코어 계산 후, 스코어가 가장 높은 뉴스를 맨 위로 올림!

 

# 방법2) Reddit Formula

ups-downs=인기도 / sign(ups-downs)=시간지남 / seconds=절대시간(최신일수록 커짐!)

나중에 게시된 포스팅일수록 더 높은 score를 가짐.

로그를 사용하기 때문에 vote가 늘어날수록 score의 증가폭이 작아짐! 

즉 오래된 포스팅일수록 상대적으로 아주아주 많은 vote가 있어야 높은 score를 가질 수 있게되는 원리!

 

 

[2. Highly Rated]

: 평균 평점이 가장 높은 아이템을 추천

예 ) 맛집추천(평점이 높은 맛집이 맛있는 음식을 제공할 것이라고 기대)

 

신뢰할 수 있는 평점인가?
평가의 개수가 충분한가?

 

=> 신뢰도 있는 평점을 활용하기 위해 평가횟수를 score에 반영한다!

 

# Steam Rating Formula

rating은 평균값을 사용하되, 전체 review 개수에 따라 rating을 보정.

review의 개수가 너무 적을 경우

- 0.5보다 score가 낮을 경우 조금 높게 보정

- 0.5보다 score가 높을 경우 조금 낮게 보정

 

review의 개수가 아주 많을 경우 rating은 평균값과 거의 유사해짐!