[RecSys] 추천 시스템 개요

추천 시스템이란?

사용자와 상품으로 구성된 시스템으로, user가 관심을 가질만한 정보를 추천해주는 것

 

검색 서비스와 추천 시스템

인터넷에서 찾을 수 있는 정보가 너무 많아짐. 사용자가 정보를 수집하는 시간을 줄이는 것을 목표로 하여 등장함. 둘은 다음과 같은 차이가 있음

검색 서비스	추천 서비스
Pull Information	Push Information
사용자가 요구한 후 작동	사용자가 요구하기 전 작동
사용자가 스스로 원하는 바를 알고 있음	사용자 스스로 원하는 바를 정확히 알지 못함

사용자 정보를 수집하기 위한 방법

• 직접적인 방법 (Explicit): 설문조사, 평가, 피드백 등 (+ 고유정보)
• 간접적인 방법 (Implicit): 웹페이지에 머무는 시간, 클릭 패턴, 검색 로그 등

아이템 정보

: 아이템에 대한 정보는 플랫폼, 서비스마다 종류가 다름. 숫자 외에도 텍스트(줄거리, 제목, 리뷰 등), 이미지(썸네일, 포스터 등), 영상 등 여러 유형이 있음.

 

추천 시스템을 왜 사용해야할까? (서비스 제공자 측면)

1. 더 많은 아이템을 판매하기 위해
2. 더 다양한 아이템을 판매하기 위해
3. 소비자 만족도를 향상하기 위해 (플랫폼에 더 머물도록 하기 위해)
4. 충성도 높은 고객을 유치하기 위해
5. 고객의 니즈를 파악하기 위해

주로 넷플릭스(영화 추천), 인스타그램(팔로우 추천), 쿠팡(상품 추천) 등에 사용됨

 

추천 알고리즘의 종류

추천 시스템은 전체 아이템 풀에서 후보군을 선택하고, 예측 및 필터링한 뒤, 랭킹을 매기는 전 과정을 아우르는 개념이며, 각각의 개념을 알고리즘이라고 할 수 있음.

 

1. 컨텐츠 기반 추천 시스템 (CB): 사용자가 과거에 좋아했던 아이템을 파악하고, 그 아이템과 비슷한 아이템을 추천하는 방식

2. 협업 필터링 (CF): 비슷한 취향을 갖는 다른 유저가 좋아한 아이템을 현재 유저에게 추천

3. 하이브리드 방식: 위 두 방식의 장단점을 상호보완. CB는 CF의 cold-start 문제에 도움을 줄 수 있음

4. 그 외: Context-based Recom., Community-based Recom., Knowledge-based Recom.

 

* cold-start 문제란?

간단히 말하면, 새로 등장하는 아이템은 사용자 경험이 전무하므로 어떤 사용자에게도 추천되지 않는 문제를 말함. 이는 협업 필터링 방식을 적용할 때에 발생하는 문제. CB의 경우 새로 등장하는 아이템이더라도, 기존 아이템과 유사도가 높으면 추천되므로 Cold-start 문제가 발생하지 않음. 따라서 CB를 통해 보완 가능

여기서 궁금한 점? 새로 등장한 유저의 경우, 비슷한 유저도 찾기 어렵고 사용한 아이템도 없는데 이건 cold start가 아닌가?