[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
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
- 추천은 쿼리 없이 시스템이 제시하는 방식 (Push 타입)
reference