[추천 시스템] 추천 시스템 개요, 검색 시스템과 비교

데이터 입력

• 추천 시스템에 사용되는 데이터는 contents 와 interaction 두 종류
  • contents 를 사용한 추천을 contents-based filtering (내용 기반 필터링)
    • 신규 사용자, 신규 아이템은 데이터가 없어 contents-based filtering 기반 추천
  • interaction 기반 추천을 collaborative filtering (협조 필터링)
    • 인터랙션이 콘텐츠보다 실시간으로 업데이트 되는 경향 -> 사용자 기호를 더 반영
• cold start problem
  • 신규 사용자, 신규 아이템의 데이터가 적어 추천이 어려워지는 것

연관 아이템 추천

개요 추천

• 모든 사용자에게 동일한 내용 제시
  • 인기순, 신규 아이템순, 가격순 등
  • 아이템이 빠르게 바뀔 때 효과적
    • 아이템이 자주 바뀌지 않는 경우 매번 같은 아이템이 보이므로 효과가 낮음

아이템 사이의 유사도를 사용한 추천

• contents-based filtering 은 아이템 설명, 카테고리 정보 등
• collaborative filtering 은 사용자 행동에 기반해 함께 확인하기 좋은 아이템을 유사한 것으로 설계
  • 비슷한 아이템을 유사도가 높다고 판단하는 관점
  • 함께 구매할만한 아이템일 가능성이 높을 때 유사도가 높다고 판단하는 관점

Harry Potter Problem 해리포터 문제

• 특정 기간 해리포터를 다른 아이템과 함께 구매 -> 모든 아이템의 추천으로 해리포터가 추천되는 문제
  • 인기 아이템의 영향을 제거해야할 상황도 발생

개인화 추천

• 사용자 프로필, 행동 기반 추천
  • contents 기반, interaction 기반 모두 가능
    • ex) 열람 이력을 그대로 표시 -> 비용이 적고 리마인더 효과
    • ex) 열람 이력과 연관된 아이템 추천

검색 시스템과 추천 시스템 비교

	검색 시스템	추천 시스템
사용자 선호 아이템 파악 가능성	높음	낮음
키워드 입력	O	X
연관 아이템 추천 방법	검색 키워드로 의도 추측	사용자 프로필, 과거 행동으로 추측
사용자의 자세	능동적	수동적
개인화	일부 개인화 서비스 증가중	개인화 케이스 많음
타입	Pull타입	Push타입

• 검색은 검색 키워드(쿼리)를 입력해 정보, 상품을 끌어내는 방식 (Pull 타입)
  • 쿼리 의도를 읽어 연관도 높은 아이템을 표시
  • 같은 쿼리엔 여러 사용자에게 같은 결과 제공
    • 다만 검색에도 개인화가 적용되는 추세
• 추천은 쿼리 없이 시스템이 제시하는 방식 (Push 타입)
  • 행동 이력을 기반으로 아이템 추천

reference

• 서적 O'REILLY '추천 시스템 입문'