[추천시스템] 추천시스템 A to Z : 추천시스템이란? 사용자와 상품은? 추천 시스템이 풀고자 하는 문제는?

추천 시스템 이란?

⬛ 등장배경 

• 인터넷의 폭발적인 성장과 정보의 다양화로 인터넷에서 찾을 수 있는 정보가 많아졌고,
  인터넷 관련 비즈니스(e-Business, e-Commerce)가 활성화되면서
  사용자가 인터넷 공간에서 정보를 찾고 적절한 결정을 내리기 어려운 실정이 되었다.

▶ 사용자가 정보를 수집하고 찾는 시간을 줄여주는 것이 목적!

 

⬛ 추천시스템 정의

• 사용자(user)와 상품(Item)으로 구성된 시스템으로, Item 또는 User가 관심 갖을만한 정보를 추천한다.
  • 특정 사용자(User)가 좋아할 상품(Item)을 추천하거나, 비슷한 상품(Item)을 좋아할 사용자(User)를 추천한다.
• Push Information으로 사용자가 요구하기 전 작동하며, 사용자 스스로 원하는 바를 정확히 알지 못한다.
  (↔ 검색 서비스 : Pull Information, 사용자 스스로 원하는 바를 알고 있으며 사용자가 스스로 원하는 바를 알고 있다.)
• 사용자(Users)로부터 선호도(Preferences) 여부를 데이터화한다.
  • Explicit Feedback (평점 등)
  • Implicit Feedback (사용자의 행동 패턴 등)
• 사용자의 선호도와 제한사항(constraints)를 바탕으로 가장 적절한 아이템 점수를 계산하고
  사용자에게 가장 관련 있는 아이템 순서대로 리스트 형태로 제시한다.

⬛ 추천시스템을 사용하는 이유는?

• 더 많은 아이템을 판매할 수 있다.
• 더 다양한 아이템을 판매할 수 있다. (소비자가 보지 못한 상품을 판매할 수 있다.)
• 소비자 만족도가 증가한다.(플랫폼을 사용하면서 만족도가 증가하고 플랫폼에 더 머물게 된다.)
• 충성도가 높은 고객이 증가한다.
• 고객이 원하는 것이 무엇인지 알 수 있다.(데이터가 쌓이면 쌓일수록 추천알고리즘의 성능이 향상된다.)

⬛ 추천시스템 적용 사례

• [영화/드라마 등 영상 플랫폼] 넷플릭스 콘텐츠 추천
  • 계정 생성 시 선택된 '좋아하는 콘텐츠'를 기반으로 콘텐츠 추천
  • (기타) 사용자의 리뷰 또는 피드백을 분석하여 취향 파악 가능
• [소셜네트워크] 인스타그램 : 팔로우 추천
  • 팔로잉하고 있는 계정 유형과 피드에서 자주 클릭한 계정을 분석하여 피드에 광고 노출
  • 계정 팔로우할 경우 해당 계정과 비슷한 계정을 추가적으로 추천
• [쇼핑 플랫폼] 쿠팡 : 상품 추천
  • 구매 목록, 상품 검색 키워드, 클릭한 상품을 기반으로 다양한 상품 추천
• 기타 서비스 제공 플랫폼
  • 인테리어 등 집 꾸미기, 커플 매칭, 여행 등 관광상품, 금융상품 추천 플랫폼

 

추천 시스템에서 사용자(User)와 상품(Item) 정의

사용자 정보와 아이템 정보를 활용하여 사용자와 아이템 사이의 관계를 분석하고 연관관계를 찾고 해당 연관 관계를 점수화한다.

⬛ 사용자(User) 프로필(Profile)

사용자 또는 사용자 그룹을 분석 가능한 요소로 프로파일링하여 개인별 추천 또는 사용자 그룹별 추천을 한다.

• 사용자 구분할 수 있는 정보

• •  사용자 고유 정보 : 나이, 성별, 지역, 학력 등
  •  사용자 로그 분석 : 쿠키(Cookie), 인터넷 주소, 웹 페이지 방문 기록, 클릭 패턴 등 사용자 행동 정보
• 사용자 정보를 수집하기 위한 방법
  
  • • 직접적인(Explicit) 방법 :설문조사, 평가, 피드백 등
    • 간접적인(Implicit) 방법 :웹 페이지 머무는 시간, 클릭 패턴, 검색 로그 등
•  

⬛ 아이템(Item) 프로필(Profile)

플랫폼마다 정의하는 아이템의 종류는 다르며, 플랫폼마다 관련 있는 상품 또는 아이템만 추천한다.

• 추천 아이템 예시
• • 영화, 음악, 동영상, TV프로그램 등 다양한 미디어
  •  옷, 책  등 웹 사이트 내 웹 페이지
  •  SNS에서 관심있을 만한 게시글이나 사진
  • 뉴스, 논문 등 문서
  • 여행지, 음식점 등 지역 또는 장소 정보
• 아이템 프로필에 속하는 정보
  • 아이템 ID, 아이템의 고유 정보(상품의 경우 크기, 색, 가격 등), 아이템을 좋아하거나 구매한 사용자 정보 등

 

추천 시스템 데이터 종류

⬛ Items

• 추천할 항목으로, 가치와 데이터의 복잡도에 따라 구분할 수 있다.
  • Low : 뉴스, 책, 영화 등
  • High : 금융 상품, 직업, 여행 등

⬛ Users

• 여러 목적과 특징을 갖는 집단으로 행동 패턴 등으로 유저 모델링을 한다.
• 협업 필터링 : 여러 아이템에 대한 평점 리스트
• 사회적인 요인을 활용한 추천시스템 등 

⬛ Transaction

• 유저와 아이템간의 상호작용
• 유저가 인터넷에 남긴 로그에서 중요한 정보를 추출한다.
• 해시태그, 평점, Implicit한 점수 모두 활용 가능

 

추천점수란?

• 사용자와 아이템 정보를 분석하여 추천점수를 계산한다.
• 사용자 또는 아이템 프로필에서 어떤 정보를 사용할지에 따라 추천알고리즘을 결정한다.
• 사용자 또는 아이템을 추천하기 위해 각가의 아이템 또는 사용자에 대한 정령화된 기준이 필요하다.
• 추천 알고리즘의 목적은 점수화(Scoring)하는 것이다.

 

 

추천 시스템 이 풀고자 하는 문제

⬛ 랭킹 문제

• 특정 유저가 특정 아이템들에 대한 평점(or 점수)을 정확하게 예측할 필요가 없다.
• 특정 아이템을 좋아할만한 Top-K 유저를 선정하거나,
  특정 유저가 좋아할만한 Top-K 아이템을 선정

⬛ 예측 문제

• 유저-아이템 조합해서 평점(or 점수)을 예측한다.
• 유저(m명)-아이템(n개) 행렬(mXn 행렬)을 채우는 문제
  • 관측값은 모델 학습에 사용
  • 결측값은 모델 평가에 사용

 

Explicit ratings & Imlicit ratings