공부 내용

• 개요
• 사용 데이터
• 문제 정의
• 적용 사례

1. 추천 시스템이란

1.1 개요

Search vs Recommendation

• Search
  • 의도를 가지고 상품을 찾는 행위
    -> 사용자의 의도가 담긴 query가 사용됨
  • 검색을 통해 아이템을 소비하는 방식을 pull 방식이라고 함
    -> 사용자가 의도를 가지고 아이템을 검색해서 당겨 옴
• Recommendation :
  • Search와 반대인 push 방식
    -> 사용자가 의도를 가진 키워드를 제공하지 않아도 상품을 노출
  • 사용자의 흥미나 의도를 고려해서 취향에 맞는 아이템 추천

추천 시스템의 필요성

• 과거에는 상품, 컨텐츠가 제한적
  -> 유저가 거의 모든 아이템을 다 알고 있고 소비 가능
  

• 웹/모바일 환경의 등장으로 다양한 상품, 컨텐츠 등장

  • 현재는 상품이나 컨텐츠가 너무 많아짐
  • Few Popular Items -> Long Tail Phenomenon
    • 몇 개의 인기있는 아이템이 아닌 많은 아이템이 Long Tail 형태로 분포
    • 몇 개의 인기있는 아이템이 많이 소비되고
      그 외 다수의 아이템은 적게 소비되는 문제
    • 아이템이 많을 수록 꼬리는 길어짐
      

• 유저가 원하는 정보를 찾는데 시간이 오래 걸림

  • Search도 유저가 원하는 정보를 효율적으로 찾기 위해 등장
  • 유저가 의도가 없어도 서비스 이용이나 상품 소비를 원할 수 있음
    -> 그 때 추천이 유용
  • 유저가 원하는 것을 어떤 키워드를 활용해서 찾아야 할지 모를 수 있음
    -> 추천 시스템이 유저가 원하는 것을 더 잘 파악할 수 있음

  Long Tail Recommendation

  인기있는 소수의 아이템을 추천해 주는 데서 시작해서 개인화의 영역으로 발전
  -> 몇 개의 소수의 아이템이 많이 소비되는 면적(좌측 면적)보다
  다수의 아이템이 적게 소비되는 면적(우측 면적)이 더 커짐

  

  추천 사례

• 유튜브 동영상 추천

  • 조회수가 급상승한 영상이 등장한 경우
    해당 영상과 관련이 있거나 해당 영상이 업로드 되어있는 채널 영상 추천
    -> 추천된 영상이 조회수가 적어도 상관없다(Long tail 부분 추천)
  • 사용자가 보고 있는 영상이나 봤던 영상의 패턴 참고
    -> 조회수는 적지만 사용자가 좋아할 영상 추천
    

• SNS 친구 추천

  • 수십억 명의 유저 중 인기가 많은 연예인과 같은 유저들이 아닌
    내가 알만한 사람들이나 가까운 사람들을 추천

  1.2 사용 데이터

  추천 시스템에서 사용하는 정보

1. user 관련 정보(왼쪽)
   -> 성별, 나이 등

2. item 관련 정보(오른쪽)
   -> 출신 년도, category

3. user-item interaction 정보(가운데)
   -> user의 item 소비 여부, 평점 등

   

   user 관련 정보

   유저 프로파일링을 통해 추천을 위해 유저에 관련된 정보 생성
   -> 추천 시스템이 아닌 서비스의 다양한 분야에서 응용되어 활용

• 식별자(identifier)

  • 유저 ID
  • 디바이스 ID -> 모바일 디바이스 번호
  • 브라우저 쿠키 -> 로그인하지 않고 사용할 경우 유저 ID 대신 활용

• 데모그래픽 정보

  • 성별, 연령, 지역, 관심사 등
  • 보통 유저로부터 직접 수집함
  • 개인정보 보호로 인해 수집 난이도 증가
    -> 수집이 아닌 추정을 통해 생성하여 추천에 활용하기도 함

• 유저 행동 정보

  • 아이템 소비 기록, 페이지 방문 기록, 아이템 평가, 구매 등의 피드백 기록
  • 다양한 딥러닝 모델의 등장으로 유저 행동 정보를 활용해서 정교한 추천 가능해짐

  item 관련 정보

• 아이템 ID

  • 가장 중요한 관련 정보
  • 추천을 제공하는 서비스에서 발급
  • ID 없이는 추천이 불가능함

• 아이템의 고유 정보(메타데이터)

  • 추천 아이템의 종류에 따라서 사용할 수 있는 정보 달라짐

보통 추천시스템에서는 공통적으로 아이템 ID를 사용하고
그 외 정보들은 서비스의 종류에 따라 크게 달라지게 됨

Content base recommendation : 아이템의 고유 정보만 활용해서 추천

user-item interaction 정보

• user가 item을 소비한 정보
  • user가 오프라인 혹은 온라인에서 아이템을 소비하면 로그가 남음
  • 추천 시스템 학습에서 Feedback이 됨
• Explicit Feedback(명시적 피드백)
  • user에게 item 만족도를 직접 물어본 경우
    -> ex) 좋아요, 싫어요, rating
• Implicit Feedback(암시적 피드백)
  • user가 item을 직접적으로 평가하지 않음
  • user가 item을 클릭하거나 구매한 경우
    -> ex) user가 item을 구매하거나 클릭하면 True
  • user가 동영상을 재생한 시간

Implicit Feedback 데이터가 압도적으로 많음
-> Implicit Feedback 데이터를 잘 모델링 해야 함

1.3 문제 정의

추천 시스템의 목적

1. 특정 유저에게 적합한 아이템을 추천하거나 특정 아이템에게 적합한 유저 추천
2. user-item interaction을 평가할 score 값이 필요
3. score가 곧 추천 모델을 통해 생성되는 output

추천 문제 : 랭킹 또는 예측

• 랭킹(Ranking) : 유저에게 적합한 아이템 Top K개를 추천

  • Top K개를 선정하기 위한 기준 혹은 스코어가 필요
    -> 스코어를 통해 추천이 얼마나 잘 이루어지는지 평가
  • 유저(x)가 아이템(y)에 가지는 정확한 선호도일 필요는 없음
    -> rating(1~5)과 ranking(1~100)에 사용되는 score의 scale이 달라도 됨
  • metric ex : Precision@K, Recall@K, MAP@K, nDCG@K

• 예측(Prediction) : 유저가 아이템에 가질 선호도를 정확하게 예측(평점 혹은 클릭/구매 확률)

  • Explicit Feedback : 아이템에 대해 내릴 평점 값 예측
  • Implicit Feedback : 아이템을 조회하거나 구매할 확률 값을 예측
  • user-item interaction 행렬의 빈칸을 채우는 문제
  • metric ex : MAE, RMSE, AUC

1.4 적용 사례

• 넷플릭스
  • 다양한 추천 리스트를 한번에 제공(현재 인기, 개인화 추천)
• 쿠팡
  • 내가 좋아할 top k 상품 추천
  • 특정 상품과 비슷한 상품 추천
• Google Ads
  • 광고 추천을 통해 수익 창출
  • 사용자가 좋아할만한 광고를 추천
    -> 클릭 확률 향상 및 구매로 이어지고 광고 매출 상승