문. 초개인화에 다양성을 입히는 추천시스템 기술 동향

토픽	초개인화에 다양성을 입히는 추천시스템 기술 동향
도메인	인공지능	중요도	중
참고문헌	백주련, “초개인화에 다양성을 입히는 추천시스템 기술 동향”, 주간기술동향, 2022.09.28, pp17-28.

 

문. 초개인화에 다양성을 입히는 추천시스템 기술 동향(2022.09.)

답.

1. 추천시스템의 개념

<그림. 추천시스템 발전 동향>

  - 특정 시점에 특정 사용자가 관심을 가질만한 리스트를 찾아주는 시스템

  - 한 사람을 위한 추천이 가능한 것을 개인화 추천이라고함

 

2. 추천시스템 알고리즘 종류

가. 콘텐츠 기반 필터링

<그림. 콘텐츠 기반 필터링 추천 모델>

구 분	설 명
개념	- 콘텐츠 즉, 아이템이나 서비스의 내용에 해당하는 속성(특징)을 분석해서 추천하는 기술
특징	- 사용자가 과거에 경험했던 아이템 중 유사한 아이템을 현재 시점에서 추천 - 초기 추천 시스템에 적용 - 과거 기록이 전혀 없는 새로운 사용자에게는 추천이 불가능 - 텍스트 정보가 많은 아이템을 분석하여 추천할 때 사용

 

나. 협업 필터링

<그림. 협업 필터링 추천 모델>

구 분	설 명
개념	- 사용자가 아이템을 평가한 정보, 구매 이력 등의 사용자의 온라인 행동 데이터를 기반으로 추천하는 시스템
특징	- 특정 사용자가 아직 평가하지 않은 아이템에 대해서 다른 사용자들의 행동 데이터를 반영하여 추천하는 방식 - 사용자-아이템 행렬 생성 기반으로 예측
사용자기반 협업 필터링	- 예측하려는 특정 사용자와 유사한 온라인 행동 데이터를 갖느 ㄴ다른 사용자들을 기반으로 하여 추천
아이템기반 협업 필터링	- 사용자가 기준이 되는 거싱 아니라 아이템 간의 연관성을 계산하여 유사한 아이템을 추천하는 방식

 

다. 딥러닝 융합 모델

<그림. 딥러닝 융합 모델 추천 방식>

구 분	설 명
개념	- 이미지 인식에서 탁월한 성능을 보이는 딥러닝 알고리즘과의 융합하여 추천시스템 구축
특징	- 2016년 유튜브에 동영상 추천을 위한 딥러닝 적용 - 사용자-아이템 간의 비선형적이고 복합한 관계를 학습할 수 있도록 다양한 딥러닝 모델과 겨합하여 추천하는 연구 진행 중

 

3. 추천시스템 평가지표

<그림. 추천결과의 Intra-list 다양성과 Inter-list 다양성 차이>

 

가. 비즈니스 서비스 관점

구 분	설 명
Page View	- PV는 사용자가 추천시스템 적용 사이트에서 몇 개의 페이지를 방문했을지에 대한 정량적 수치 - 사용자 10명이 해당 사이트를 방문하여 각 10개씩의 페이지를 방문 시 PV 값은 100이 됨
Click Through Rate	- CTR수치는 노출된 광고에 대해서 사용자가 얼마나 클릭을 했느냐를 의미하는 정량적 값 - 수식: 노출수/클릭수×100

 

나. 품질 관점

구 분	설 명
연관성	- 추천 결과가 사용자 선호도에 얼마나 부합하는가?
다양성	- 추천된 Top-k개의 아이템들이 얼마나 다양한 종류로 구성되었는가?
새로움	- 추천 시스템이 사용자가 검색하지 못한 새로운 아이템을 추천하는가?
불예측성	- 추천 시스템이 얼마나 예측하지 않는 결과를 그러나 사용자가 원하는 새로운 상품을 추천하는가?
커버리지	- 추천 시스템이 얼마나 많은 아이템을 추천하는가?

  - 사용자 선호와 다양성을 조화시키기 위해 탐욕적 재순위(greedy re-ranking) 방식이 초기 연구부터 사용되었음

  - 사용자의 선호와 비선호 관계를 선형적 결합으로 구성하여 다양성을 증가시킴