추천시스템이란?, 추천시스템 입문과 종류 [RecSys]

 

올해 나의 첫 도전이었던.. 데이터분석 & AI 동아리 KHUDA에서 많은 고민 끝에 선택한 심화트랙 추천 시스템!

데이터분석과 AI 쪽으로 진로를 잡기보다는 서비스에 AI를 활용하고, 좀 새로운 분야에 공부를 시도해보려고 동아리를 지원했었던 거라 많은 고민 끝에 CV, NLP, 데이터엔지니어링 여러 트랙 중 추천 시스템을 선택하였는데 아주 만족하고 있다.

서비스에 활용도 할 수 있고, 머신러닝 쪽이 그렇게 깊지 않아서 프로젝트에 활용할 수 있는 정도로 배우기 딱 좋은 것 같다.

그리고 일단.. 재밌다! (아직까지는)

사설이 길었는데 어쨌든 앞으로 추천시스템 입문 책을 학습하고 블로그에 꾸준히(제발) 기록하도록 하겠읍니다.

1장은 추천 시스템에 대한 소개, 예시, 역사와 종류, 검색 시스템과 추천시스템의 비교로 이루어져 있다.

 

 

Chapter 1 추천 시스템

 

1.1 추천 시스템

💡 추천 시스템은 우리가 다음에 무엇을 하면 좋을지 의사 결정을 지원하는 기술
⇒ '여러 후보 가운데 가치 있는 것을 선정해서 의사 결정을 지원하는 시스템

 

• 유튜브 맞춤 동영상
• 스포티파이 추천 플레이리스트 등
• 넷플릭스 영상 추천 
• 여러 후보 가운데 가치 있는 것을 선정 한다는 것은?
  • 가치를 정의하는 방법에 따라 다양한 추천 알고리즘이 제안 ex) 인기순, 사용자 개인 데이터 기반.. 등
  • 비즈니스 목적에 맞춰 알고리즘을 적절하게 선택해서 사용한다.
• 의사 결정을 지원 한다는 것은?
  • 선택한 아이템을 사용자가 실제로 열람 또는 구입하도록 제시하는 것이 중요하다.
  • 아이템을 어떻게 사용자에게 도달하도록 하는가?

 

1.2 추천 시스템의 역사

• 1990년대 인터넷의 발전⇒ 제록스 팔로알토 연구소의 연구자 골드버그는 대표적인 추천 알고리 즘의 하나인 협조 필터링을 처음으로 조합한 추천 시스템(태피스트리)을 제안했다.
• 아마존 같은 전자 상거래 사이트의 등장 ⇒ 방대한 상품에서 사용자가 원하는 상품을 제공하는 기술로 추천 시스템이 활용되었다.
• 2006년에는 넷플릭스가 10억 원 상당의 상금 을 걸고 추천 알고리즘 경쟁 대회를 개최
• 2007년에는 The ACM Conference on Recommender Systems (ReeSys)라는 추 천 시스템 국제회의가 처음으로 개최
• 트위터, 넷플릭스, 아마존, 애플과 같은 기업에서는 추천 시스템을 전문으로 개발하는 추천 시 스템 개발자라는 인력도 채용

 

1.3 추천 시스템의 종류

• 입력 : 어떤 데이터를 가지고 추천할 것인가?
• 프로세스 : 어떤 알고리즘을 사용할 것인가?
• 출력 : 어떤 제시 방법을 사용할 것인가?

 

1.3.1 입력

콘텐츠와 인터렉션, 두 종류가 있다.

 

콘텐츠 정보

• 사용자의 콘텐츠 정보는 나이, 성별, 주소 등 프로필 정보
  • 만약 사용자의 선호도를 설문으로 수집한다면 이러한 정보도 포함
• 아이템의 콘텐츠 정보는 카테고리, 상품 설명문, 발매일, 가격, 제작자 등
• 콘텐츠 정보를 이용하는 추천을 내용 기반 필터링(content-based filtering)이라고 한다.

 

인터렉션 정보

• 인터랙션 정보는 사용자가 서비스 안에서 행동한 이력 데이터를 말한다.
• 아이템에 대한 인터랙션 데이터는 열람, 구입, 북마크,평가 등 ⇒ 사용자가 서비스 안에서 행동할수록 축적
• 인터렉션 정보를 이용하는 추천을 협조 필터링(collaborative filtering)이라고 한다.
• 콘텐츠 정보 << 인터렉션 정보
• 인터렉션 데이터는 실시간으로 업데이트되므로 사용자의 기호를 더 반영하는 측면이 있다.
• 그러나, 신규 사용자나 아이템은 행동 이력 데이터가 없어 추천이 어려워진다. 이러한 문제를 콜드 스타트 문제라고 한다.

 

1.3.2 프로세스(추천 설계)

입력 데이터를 활용해 추천하는 방법은 다음 3가지가 있다.

 

(1) 개요 추천(개인화 없음)

• 신규 아이템순, 낮은 가격순, 높은 인기순 등 모든 사용자에게 동일한 내용을 제시한다.
• 미디어, 뉴스같이 업종에 따라서는 개인화를 적용하는 것보다 적절할 수도 있음
• 아이템이 바뀌지 않는 경우에는 항상 같은 아이템이 인기도나 신규 아이템순으로 나타나기 때문에 별로 효과적이지 않음

(2) 연관 아이템 추천

• 사용자가 사이트 안에서 체류하는 시간을 늘리고 원하는 아이템을 쉽게 만나게 한다.
• 연관 아이템 설계에는 각 아이템 사이의 유사도를 사용한다.
• 협조 필터링 방법이 조금 더 적합하다.
• 경우에 따라 해당 아이템과 관련해 표시해야 할 아이템 종류가 다를 수 있다.
  • 프린터 사고 나서 프린터를 추천해줄건지, 연관 소모품을 추천해줄건지
• 해리 포터 문제 : 특정 시기에 많은 사람이 해리 포터 서적을 다른 아이템과 함께 구입하면, 모든 아이템의 추천 아이템으로 항상 해리 포터가 추천될 것이다. 이럴 경우 인기 아이템의 영향을 제거해야 한다.

(3) 개인화 추천

• 사용자의 프로필이나 행동 이력을 기반으로 각 사용자에 맞춰 추천하는 것
• 콘텐츠를 기반으로 하는 방법, 인터랙션 데이터를 활용하는 방법, 두 가지를 모두 사용하는 방법이 있다.
• 인터렉션을 활용한 개인화 추천 시스템은 사용자의 흥미나 기호를 실시간으로 반영하기 때문에 클릭이나 구입 예측 성능이 높다.
  • ex) 열람 이력 보여주는 추천

 

1.3.3 출력(추천 결과 제시)

• 비즈니스에서 제시 방법은 매우 중요하며 좋은 추천 아이템을 설계해도 제시 방법이 나쁘면 사용자의 행동을 이끌어낼 수 없다.
  • 웹 사이트에서 제시, 메일 발송, 우편 등… 다양한 방법이 있다.

 

1.4 검색 시스템과 추천 시스템

 

1.4.1 검색 시스템

• 검색 시스템은 다양한 문장이 디지털화됨에 따라 개발된, 키워드를 입력해서 원하는 문장을 찾아내는 기술이다.
• 웹 사이트 검색에 사용된다.
• 초기에는 검색 키워드와 완전히 일치하는 키워드 → 유사어 포함 → 키워드에서 사용자 의도를 파악해서 검색 결과를 연관순으로 정렬하는 방식으로 변화해왔다.
• 페이지 랭크 알고리즘
  • 문장의 단어 정보뿐만 아니라 웹 사 이트의 페이지 사이에 존재하는 링크 정보를 사용해 중요한 링크가 더 많이 모인 웹 사이트일 수록 중요도가 높다고 판단하는 것

 

1.4.2 검색 시스템과 추천 시스템 비교

• 검색 (Pull 타입) : 사용자가 원하는 것을 미리 파악하고 있으며 검색 키워드(쿼리)를 입력해 능동적 으로 알고자 하는 정보나 상품을 많은 후보 가운데 끌어낸다.
  • 최근에는 검색 결과를 개인화하기도 한다. (사용자에 따라 같은 키워드 검색해도 결과가 달라짐)
• 추천 (Push타입) : 사용자가 원하는 것을 미리 명확하게 파악하고 있지 않더라도 사용자는 검색키워드 등을 입력하지 않으며 사용자가 좋아하는 상품을 시스템이 제시한다.
• 음악, 패션같은 언어로 잘 표현할 수 없는 경우 ) 텍스트 형식의 검색에서는 사용자가 좋아하는 아이템을 찾기가 어렵다.
  • 사용자와 비슷한 취향을 가진 사람의 아이템들을 추천한다!
• 보통 검색과 추천을 둘 다 사용한다. 어떻게 비중을 조합할 것인지는 비즈니스 모델이나 UX 설계에 따라서 다르다.