[추천시스템] 주요 추천시스템 알고리즘

📌 추천시스템이란?

- 추천시스템 : 사용자 과거 행동 데이터 or 다른 데이터를 바탕으로 사용자에게 필요한 정보, 제품을 골라서 제시해주는 시스템

• 추천 : 고객들의 취향이 비슷한 집단으로 나눔 → 집단에 잘 맞는 제품, 서비스 골라주는 것 
• 특징 : 사용자가 어떤 아이템을 좋아하는지 선호도 정확히 예측 중요

 

📌 주요 추천 알고리즘 

추천 알고리즘 종류

1. 협업 필터링 (CF : Collaborative Filtering)

• 정의 : 구매 제품에 대한 소비자의 평가 → 평가 패턴이 비슷한 소비자를 한 집단으로 설정 → 집단에 속한 소비자들 취향 활용
• 특징 : 사람들의 취향이 뚜렷이 구분되는 제품(영화, 패션, 음악) 추천시 정확
• 한계점 : 소비지들의 평가 정보 구하기 어려움 
• 한계점의 해결책 : 클릭스트림으로 간접적인 정보 활용(정보 검색, 쇼핑카트에 넣는 것을 확인)
• 예시) 아마존 제품 추천 시스템, 넷플릭스 영화 추천 시스템

 

2. 내용 기반 필터링(CB : Content-Based filtering)

• 정의 : 제품의 내용을 분석해서 추천
• 특징 : 텍스트 정보가 많은 제품을 분석하여 추천할 때 많이 사용 (형태소의 핵심키워드 분석 → 관심대상 분석 가능)
• 예시) 관심있는 책이나 뉴스 키워드 추출 → 다른 책이나 뉴스의 비슷한 키워드 찾아내 화면 상단에 보여줌

 

3. 지식 기반 필터링 (KB : Knowledge-Based filtering)

지식 그래프

• 정의 : 특정 분야 전문가의 도움을 받아 분야에 대한 전체적인 지식구조 만들어 활용
  • 전체적인 지식구조 : 체계도(중요한 개념을 가지고 있음) 
• 특징 : 체계도를 통해 소비자가 구매한 제품과 관련있는 제품을 찾을 수 있음 
• 장점 : 전체적인 구조 파악 가능, 지식이 중요한 분야에 효과가 좋음
• 단점 : 전문가 필요, 전문가의 능력이 한계가 있을 수 있음

 

4. 딥러닝(DL : Deep Learning)

• 정의 : 현재 가장 많이 사용되는 딥러닝 방법 사용
• 작동방식 : (입력) 다양한 사용자와 아이템 특징값 → (출력) 각 아이템에 대한 각 사용자의 예상 선호도
  
  • 사용 : 각 사용자에 대한 많은 아이템의 예상 선호도 계산 가능 → 예상 선호도 높은 아이템 추천
• 장점 : 다양한 입력 변수 사용
• 단점 : 연속값으로 표시되는 아이템으 선호도는 크게 우월하지 않음, 다른 알고리즘과 같이 사용

 

5. 하이브리드 기술

•  대부분 추천시스템 구축 시, 상위 알고리즘 중 2가지를 혼합하여 구축(하이브리드 : 2가지 이상을 사용)
• 1개 기술 << 2개 이상의 기술이 적확도 향상, 결합되는 기술의 종류가 많을 수록 더 큰 향상
• 각 기술을 어떤 방식으로 결합할 것인지가 중요!

 

📌 추천시스템 적용 사례

1) 넷플릭스 

- CineMatch 시스템 : 콘텐츠 평가 → (협업필터링) 고객에게 알맞은 콘텐츠 추천

맞지 않는 영화 -> 감정, 시간적 소모 -> 고객 이탈

 

2) 아마존

- 협업 필터링 기반 하이브리드 기술 적용

- 사용자의 제품에 대한 평가 데이터를 다양한 방법으로 수집(별점 + 리뷰 + 제품 설명 웹사이트 방문 + 머무른 시간 + 쇼핑카트 + 구매 -> 선호도를 가중치로 계산)

- 카테고리가 다른 제품에 대해서는 사용 패턴도 다르고 목적도 다름(구매 주기 및 구매 결정 기준)

 

---

참고 자료

• Python을 이용한 개인화 추천시스템
• 블로그

추천시스템 3) 딥러닝 기반 추천 알고리즘

 

추천시스템1 - 추천시스템이란?, 추천 알고리즘의 종류