추천이란 어떤 조건에 적합한 대상을 책임지고 소개하는 것을 뜻합니다. 쉽게 말해 상대방이 좋아할만한 것을 소개해주는 것을 뜻하지요. 그렇다면 추천 시스템은 이러한 시스템을 뜻하고 추천 알고리즘은 이렇게 하기 위한 방법, 절차, 과정이라고 할 수 있습니다. 따라서 이번 게시글에서는 추천 알고리즘의 종류에 대해 살펴보도록 하겠습니다. 지난 게시글에서는 협업 필터링 방식만 설명을 드렸는데요. 사실 이 외에도 다양한 추천 방식이 있습니다.
1. 협업 필터링 (CF, Collaborative Filtering)
- 소비자랑 평가 패턴이 비슷한 사람들을 한 집단으로 보고 그 집단에 속한 사람들의 취향을 활용하는 기술입니다.
- 본인하고 취향이 비슷한 사람들이 또 좋아하는 것이 무엇인지 찾아내서 추천해주는거라고 이해하시면 됩니다.
- 대표적으로 아마존과 넷플릭스의 추천 시스템이 이 방식을 채용하고 있습니다.
- 원리)
(1) '러브라이브'는 좋아하지만 'Bang Dream!'은 싫어하는 사용자가 있습니다.
(2) 해당 사용자하고 취향 패턴이 비슷한 사람들이 또 좋아하는 것을 찾아냅니다. 찾아본 결과, 대부분이 'D4DJ'를 좋아한다는 결과가 나왔습니다.
(3) 'D4DJ'를 해당 사용자한테 추천해줍니다.
2. 내용 기반 필터링 (CB, Content-Based filtering)
- 제품의 내용을 분석해서 키워드를 찾아 추천하는 기술입니다.
- 내용 속에서 키워드를 찾아 그 키워드랑 비슷한 것들을 찾아내서 추천해주는거라고 이해하시면 됩니다.
- 원리)
(1) 한 사용자가 BTS에 관한 기사를 읽었습니다.
(2) BTS하고 관련된 단어를 찾아보니 RM, 빅히드뮤직 등이 있습니다.
(3) RM 또는 빅히드뮤직 관련 기사를 해당 사용자한테 추천해줍니다.
3. 지식 기반 필터링 (KB, Knowledge-Based filtering)
- 전문가의 도움을 받아서 그 분야에 대한 전체적인 지식 구조를 만들어서 이를 활용하는 방법입니다.
- 자료구조의 '트리'를 떠올리시면 됩니다. 다시 말해 상위분류와 하위분류로 나누어진 구조입니다.
- 원리)
(1) 리듬게임 전문가한테 도움을 받아 위과 같이 지식 구조를 만들었습니다.
(2) '일반 게임'(모바일 일반 리듬게임) 을 좋아하는 사용자가 있습니다.
(3) '일반 게임'의 상위 분류는 '모바일' 입니다. 따라서 같은 분류인 '아이돌 게임' 도 좋아하지 않을까 해서 아이돌 게임들(스쿠페스, 뱅드림, 데레스테 등)도 추천해줍니다.
4. 딥러닝 추천 기술 (DL, Deep Learning)
- AI 알고리즘 중 딥러닝 방법을 사용하는 방식입니다.
- 다양한 사용자와 아이템의 특징값을 딥러닝의 입력으로 사용하면 각 아이템에 대한 각 사용자의 예상 선호도가 출력으로 나옵니다. 여기서 예상 선호도가 높은 아이템을 사용자마다 추천해주는 것입니다.
5. 하이브리드 기술 (Hybrid)
- 두 가지 이상의 기술을 혼합해서 추천해주는 방식입니다.
- 대부분의 추천 시스템은 한 가지 기술만 사용하지 않고 여러 가지 기술을 혼합해서 사용합니다.
- 대표적으로 아마존의 추천 시스템도 협업 필터링 방식을 주로 사용하지만 다른 기술도 같이 사용합니다.
사실 이 외에도 다양한 추천 알고리즘이 있는 걸로 알고 있는데 중요한 것은 아니니 생략하겠습니다.
<출처>
Python을 이용한 개인화 추천시스템, 임일, 청람, p.3~5 주요 추천 알고리즘