추천 시스템 소개

아래 책과 인강으로 스터디 진행

https://www.inflearn.com/course/%ED%8C%8C%EC%9D%B4%EC%8D%AC-%EA%B0%9C%EC%9D%B8%ED%99%94-%EC%B6%94%EC%B2%9C%EC%8B%9C%EC%8A%A4%ED%85%9C

1.1 주요 추천 알고리즘

추천 시스템에 사용될 수 있는 알고리즘의 종류는 자세히 분류해보면 수천 가지가 있지만 대체로 협업 필터링(Collaborative Filtering : CF), 내용 기반 필터링(Content-Based Filtering : CB), 지식 기반 필터링(Knowledge-Based Filtering : KB), 딥러닝(Deep Learning : DL) 추천 기술, 하이브리드(Hybrid) 기술 등 몇 가지 알고리즘의 변형이라고 할 수 있다.

 

1) 협업 필터링 (Collaborative Filtering : CF)

협업 필터링이란 구매, 소비한 제품에 대한 각 소비자의 평가를 받아서 평가 패턴이 비슷한 소비자를 한 집단으로 묶어 그 집단의 소비자들의 취향을 활용하는 기술이다. 즉, 평가 패턴이 비슷한 사람들이 공통적으로 좋아하는 제품 중 소비자가 아직 접하지 않은 제품을 골라 제시하는 기술이다. 영화나 음악 등 사람들의 취향이 뚜렷이 구분되는 제품을 추천할 때 더욱 정확하다. 한계점으로는 소비자들의 평가 정보를 구하기가 어렵다는 점이 있는데, 이를 극복하기 위해 간접적인 정보를 사용한다고 한다. (관심사 검색이나 장바구니 넣기 등 클릭스트림 형태로 수집되는 정보) 아마존의 제품 추천 시스템이나 넷플릭스 추천 시스템에서 사용된다.

 

2) 내용 기반 필터링 (Content-Based Filtering : CB)

내용 기반 필터링이란 제품의 내용을 분석해서 제품 간의 유사성을 이용해 추천하는 기술을 뜻한다. 뉴스나 책 등 텍스트 정보가 많은 제품을 분석하여 추천할 때 많이 이용되는 기술이다. 텍스트 중에서 형태소를 추려내고 분석해 핵심 키워드를 정리하여 소비자의 관심 사항에 대한 분석이 가능하다.

 

3) 지식 기반 필터링 (Knowledge-Based Filtering : KB)

내용 기반 필터링과 협업 필터링은 어떤 소비자가 어떤 제품을 좋아할지에 대한 분석은 가능하지만 왜 그 제품을 좋아할지 에 대한 답을 할 수 없다는 한계를 가지고 있다.

 지식 기반 필터링은 특정 분야(domain) 전문가의 도움을 받아서 그 분야에 대한 전체적인 지식 구조를 만들어서 이를 활용하는 방법이다. 전체적인 지식 구조는 다양한 형태로 표현될 수 있는데, 그 분야의 중요한 개념을 가지고 체계도를 만드는 것이 가장 일반적이다.(ex 컴퓨터 -> PC, 노트붇, 태블릿 등으로 하위 키워드로 분류) 전체적인 구조를 알 수 있기 때문에 소비자가 구매한, 혹은 관심 있는 제품과 관련이 있는 제품을 체계도에서 찾아볼 수 있으며, 지식이 중요한 분야(교육, 커피 등)에서 효과가 좋다. 다만 각 분야의 전문가가 필요하고, 전문가의 능력에는 한계가 있기 때문에 모든 세세한 분야에 적용할 수 없다는 단점이 있다.

 

4) 딥러닝 추천 기술 (Deep Learning : DL)

딥러닝 방법을 사용하는 방식으로 딥러닝의 입력값으로 다양한 사용자와 아이템의 특징값(feature)을 사용하고, 이를 통해 얻은 출력값은 각 아이템에 대한 사용자의 예상 선호도를 계산한 값이다. 예상 선호도가 높은 아이템을 추천해주며, 다양한 입력 변수 사용이 가능하다. 일반적으로 이미지 인식에서 성능이 좋으나, 연속값으로 표시되는 아이템에 대한 선호도 계산은 정확도가 크게 우월하지 않아 다른 알고리즘과 같이 사용된다.

 

5) 하이브리드 기술(Hybrid)

실제로 추천 시스템을 구축할 때는 기술을 한 가지만 사용하는 경우는 별로 없고 대부분 두 가지 이상의 기술을 혼합해서 사용하는 하이브리드 형태로 사용된다. 복수의 기술을 사용하는 경우에 정확도가 향상되고 결합되는 기술의 종류가 많아질수록 더 큰 향상이 이루어진다. (ex CF + CB = Reco)

 

1.2 추천 시스템 적용 사례

넷플릭스의 경우 협업 필터링 기술을 사용해서 고객을 위한 영화 추천 시스템을 사용한다. 각 고객의 취향에 따라 맞춤화와 개인화가 된다.

아마존의 경우 협업 시스템을 기반으로 다양한 추천 기술을 결합한 하이브리드 기술이 적용되어 있다. 사용자의 제품에 대한 평가 데이터를 다양한 방법으로 수집이 가능하다는 특징이 있다. 아마존은 취급하는 제품의 종류와 카테고리가 여러가지 이며 사용자 수도 훨씬 방대하며 선호 정보의 종류가 더 다양하기 때문에 아마존은 넷플릭스보다 더 복잡하고 어려운 시스템을 사용한다.