추천 시스템(Recommendation System)

추천 시스템은 사용자의 취향을 파악하고 취향에 따라 상품 등을 추천해 준다.

사용자는 해당 상품을 구매할 확률이 높아질 것이다.

 

대표적으로 유튜브 추천 시스템과 넷플릭스 추천 시스템은 내가 몰랐던 취향도 추천해준다. 추천 성공은 높은 확률로 충성 고객을 유치하고 사용자의 유입을 많아지게한다. 그렇게 되면 더 많은 데이터가 쌓이고 더욱 견고한 추천 서비스가 될 수 있다.

 

 

 

추천 알고리즘은 대표적으로 협업 필터링과 콘텐츠 기반 필터링으로 나뉜다.

협업 필터링 (collaborative filtering)	콘텐츠 기반 필터링 (content based filtering)
사용자들의 취향 정보(ex.별점)로 사용자에게 좋은 추천을 제공할 수 있도록 해준다. 취향 정보가 어떻게 표현될지는 어떤 알고리즘을 적용하느냐에 따라 달라지고 머신러닝을 사용하는 방법은 주로 취향정보가 숫자로는 나오나 그 숫자가 무엇을 의미하는지 모른다. 초반에는 콘텐츠 기반 필터링을 많이 사용했지만 넷플릭스 사례 이후 협업 필터링을 많이 사용하게 되었다고 한다. 특히 잠재요인 협업 필터링을 많이 사용하게 되었는데 이 잠재요인을 위해 행렬 분해를 사용했다.	어떤 콘텐츠를 좋게 본 사람에게 비슷한 콘텐츠를 추천하는 방법이다.  굉장히 단순한 아이디어로 어떤 장르에 높은 평점을 주었을 때, 그 장르의 다른 영화를 추천해주는 방법이다. 예전에 많이 사용했던 방법이다.
- 메모리 기반(memory based) 또는 최근접 이웃 기반(nearest neighbor based) 협업 필터링 - 잠재요인(latent factor) 협업 필터링

* 그 외  딥러닝을 활용한 추천 방법, 하이브리드 방법

* 많이 알려진 방법이자 영화 별점을 예측하는 방법 중의 기본은 행렬 분해(matrix factorization)이다.

* 심화 : 시간 정보를 반영할 수 있는 알고리즘, 그래프 이론과의 연결, 강화 학습을 서비스에 적용하는 방법

 

 

 

 

---

 

Reference

 

1. 왓챠 미디엄 블로그 Zimin님 포스트

https://medium.com/watcha/1%EB%85%84%EC%B0%A8-%EC%A3%BC%EB%8B%88%EC%96%B4%EA%B0%80-%EC%B6%94%EC%B2%9C-%EC%8B%9C%EC%8A%A4%ED%85%9C-%ED%98%84%EC%9E%A5%EC%97%90%EC%84%9C-%EB%A7%88%EC%A3%BC%ED%95%9C-%EA%B3%A0%EB%AF%BC-12f568eb2cc2

1년차 주니어가 추천 시스템 현장에서 마주한 고민