추천 시스템#
- 협업 필터링(Collaborative Filtering, CF)
- 내용 기반 필터링(Content-Based Filtering, CBF)
- 지식 기반 필터링(Knowledge-Based Filtering, KBF)
- 딥러닝(Deep Learning)
- 하이브리드 필터링(협업필터링 & 딥러닝)
협업 필터링 개요#
- 구매 및 소비한 제품에 대한 소비자의 평가 패턴이 비슷한 집단 속에서
서로 접하지 않은 제품을 추천 - 소비자들의 평가 정도가 필요 (신규, 휴면 고객)
-> 조회, 클릭 등을 통해 간접적으로 데이터화
내용 기반 필터링 개요#
지식 기반 필터링 개요#
- 특정 분야 전문가의 도움을 받아 그 분야에 대한 전체적인 지식 구조를 만들어서 활용
협업 필터링#
협업 필터링 알고리즘#
- 모든 사용자 간 평가의 유사도 계산 (코사인 유사도 등)
- 추천 대상과 다른 사용자간 유사도 추출
- 추천 대상이 평가하지 않은 아이템에 대한 예상 평가값 계산
(평가값 = 다른 사용자 평가 * 다른 사용자 유사도) - 아이템 중에서 예상 평가값 가장 높은 N개 추천
이웃을 고려한 CF#
사용자 기반 CF#
- 데이터가 풍부한 경우 정확한 추천
- 결과에 대한 위험성 존재
- 데이터 크기가 적고 사용자에 대한 정보가 있는 경우
아이템 기반 CF#
- 계산이 빠름
- 업데이트에 대한 결과 영향이 적음
- 데이터 크기가 크고 충분한 정보가 없는 경우
성과측정지표#
- 정확도(accuracy) = 올바르게 예측된 아이템 수 / 전체 아이템 수
- 정밀도(precision) = 올바르게 추천된 아이템 수 / 전체 아이템 수
- 재현율(recall) = 올바르게 추천된 아이템 수 / 사용자가 실제 선택한 전체 아이템 수
- 조화평균(F1 score) = (2 * 정밀도 * 재현율) / (정밀도 + 재현율)
- 범위(coverage) = 추천이 가능한 사용자(아이템) 수 / 전체 사용자(아이템) 수