추천 시스템(Recommender System)이란? 사용자의 과거 행동 데이터를 바탕으로 사용자에게 필요한 정보나 제품을 제시하는 시스템
1. 추천 시스템 소개
(1) 추천 시스템의 발전
과거에는 여러 명의 개인이 속한 집단을 분석하여 추천을 해주었다면, 현재는 집단의 수가 점차 많아져서 집단이 개인이 되었다
즉 개인별 맞춤형 추천 서비스 제공으로 발전했다
(2) 추천 시스템의 여러 기술
- 협업 필터링(Collaborative Filtering)
- 내용 기반 필터링(Content-based Filtering)
- 지식 기반 필터링(Knowledge-Based Filtering)
- 딥러닝(Depp Learning)
- 하이브리드 필터링(협업 필터링&딥러닝)
2. 주요 추천 알고리즘
(1) 협업 필터링(Collaborative Filtering:CF)
구매 및 소비한 제품에 대한 소비자의 평가 패턴이 비슷한 집단 속에서 서로 접하지 않은 제품을 추천하는 기술
예시를 들어보자! 사람 a, b와 제품 1, 2, 3, 4가 있다
a는 제품 1, 2, 3, 4를 샀고 b는 제품 1, 2, 3을 샀을 때,
협업 필터링은 a와 b는 구매한 제품이 비슷한 집단으로 묶여 b에게 제품 4를 추천한다
한계: 소비자들의 평가 정보가 없을 때는 사용하지 못 하고 평가 정보를 구하기 어려움 ex) 신규, 휴면 고객들에게는 어떻게 추천?
해결책: 실제로 구매 및 소비 한 게 아니라 제품 클릭 등과 같은 데이터를 기반으로 추천
(2) 내용 기반 필터링(Content-based Filtering:CB)
제품의 내용을 분석해서 추천하는 기술
고객이 어떤 상품을 구매 및 소비 했을 때, 그 상품에 대한 정보를 분석해서 유사한 상품을 추천해준다\
뉴스, 책 추천에서 많이 사용
(3) 지식 기반 필터링(Knowledge-Based Filtering:KB)
특정 분야 전문가의 도움을 받아서 그 분야에 대한 "전체적인 지식 구조(Ontology, 체계도)"를 만들어서 활용하는 방법
CF, CB는 고객에게 단순히 추천은 가능하지만, 추천하는 이유 왜 이걸 추천하냐? 에 대한 것은 알지 못 함
하지만 KB는 지식 구조를 만들 수 있기 때문에 이유를 알 수 있음
ex) 컴퓨터를 샀으면 다음에는 마우스, 키보드, 스피커를 사겠지?
한계: 각 분야의 전문가가 필요함
(4) 딥러닝(Deep Learning:DL)
AI 알고리즘 중에 현재 가장 많이 사용되는 방법으로, 신경망, CNN, RNN 등을 통해 학습
장점: 예측도가 높음, 다양한 입력 변수 사용 가능(이미지, 음성 등)
(4) 하이브리드(Hybrid)
두 가지 이상의 알고리즘 혼합을 통한 하이브리드 형태의 추천 방법
3. 추천 시스템 적용 사례
(1) NETFLIX
협업 필터링(CF) 사용 -> 정확도 높음
유저의 서비스 이탈을 막기 위해 정확도 높아야 함
(2) amazon
협업 필터링(CF) 기반 하이브리드 시스템
사용자의 데이터를 다양한 방법으로 수집
- 고객 구입 평가
- 상품 페이지 방문
- 페이지 체류 시간
- 카드 분석
가중치 사용
