추천 시스템 연구 동향 분석하기 (1) 기존 추천 시스템

/) /)
*´ㅅ`) づ 목차
1. 콘텐츠 기반 필터링 (Content-Based Filtering)
2. 협업 필터링 (Collaborative Filtering)
3. 딥러닝 기반

 

 

1. 콘텐츠 기반 필터링 (CBF)

· 1980년대 주로 사용

· 데이터가 없는 신규 사용자에게도 아이템 추천 가능 (그러나 자신의 과거 구매 이력이 부족할 경우 추천의 성능을 보장할 수 없으며, 구매 이력과 프로필 정보가 모두 존재하지 않는다면 콘텐츠 기반 접근 방식 추천 시스템을 구현하는 것이 불가능)

· 아이템에 대한 세부 정보를 토대로 사용자가 과거에 소비했던 콘텐츠와 유사한 콘텐츠를 추천해주는 방식

· 일반적으로 아이템을 벡터 형태로 표현 후 유사도 계산 (원 핫 인코딩과 임베딩 방식 사용) 

 

2. 협업 필터링 (CF)

· 1992년대 Goldberg et al.에 의해 소개된 이후 지속적으로 사용

· 나와 비슷한 취향을 가진 다른 사용자들이 선호하는 아이템을 추천하는 방식

· 크게 메모리 기반(Memory-Based)과 모델 기반(Model-Based) 알고리즘으로 나누어짐

· 메모리 기반 알고리즘

     - 유사한 사용자(User-based)나 아이템(Item-based) 기반

     - 유사도를 측정하는 단순한 산술 연산만을 사용

     - 쉽게 만들 수 있다는 장점이 있지만, 데이터가 축적되지 않고, 분산된 데이터의 경우 성능이 낮다는 단점

· 모델 기반 알고리즘

     - 기계학습을 통해 추천하는 방식

     - 최적화 방법이나 매개변수를 학습

     - 분산된(sparse) 데이터도 처리 가능

     - 주로 행렬 분해(Matrix Factorization), SVD, 신경망 방법을 사용

 

3. 딥러닝 기반

· 사용자의 다양한 잠재 정보를 벡터로 구하여 이의 연관정도를 추정하여 상품이나 서비스를 추천

· 텍스트, 이미지, 음성, 비디오 등의 정보를 모델에 적용

· 국내에서는 주로 CNN과 RNN 기반, 그 밖에도 MLP, Autoencoder, RBM 기반의 방식이 활용

· 복잡한 사용자-아이템 상호작용 패턴을 파악할 수 있으며, 비정형 데이터를 효과적으로 다룰 수 있지만, 예측 결과를 해석하기가 어렵고, 학습을 위한 많은 양의 데이터가 필요

 

---

 

📚 참고 문헌 📚

“추천 시스템”, https://blog.insilicogen.com/61

 

“콘텐츠 기반 필터링 알고리즘”, https://tech.kakao.com/posts/486

 

손지은, 김성범, 김현중, 조성준, 「추천 시스템 기법 연구동향 분석」 , 『Journal of the Korean Institute of Industrial Engineers』, 41(2), 대한산업공학회, 2015

 

“협업 필터링 알고리즘”, https://kmhana.tistory.com/31

 

김동만, 이태욱, 「딥러닝 기반 추천 시스템에 대한 체계적 문헌고찰: 국내 문헌을 중심으로」 , 『한국컴퓨터교육학회 학술발표대회논문집』, 24(2), 한국컴퓨터교육학회, 2020

 

Shuai Zhang, Lina Yao, Aixin Sun, Yi Tay, 「Deep Learning based Recommender System: A Survey and New Perspectives」, 『ACM Comput. Surv.』, 1(1), Article 1, 2018, 35 pages