[SKT AI 커리큘럼] 추천시스템 - 1, 2, 3

SKT AI 커리큘럼 학습 내용 정리

출처 : T Learning Portal (https://sharedlp.sk.com)

 

 

1. 추천이란?

- 추천할 대상과 추천하는 대상에 대한 이해를 하는 과정 (Preference, Decision Making, Discovery)

ex) E-commerce, Media Contents

- 추천은 검색이 아니다.

검색 (Explicit Request), 추천(Implicit Request) -> 사용자의 의도에서 차이 有

 

 

2. 추천 시스템이란?

: Systems that Help users Discover items they may Like 

 

• 사용자가 좋아할지도 모르는 Contents를 뽑는 방법 두가지

(1) Prediction Problem

- User의 Preference와 Rating value를 예측

- User와 Item간에 Rating matrix가 존재한다고 가정하고 이 matrix를 채우는 것이 목표!!

 

(2) Ranking Problem

- 본질적으로 해야할 일은 모든 아이템에서 k개를 뽑아 사용자에게 전달하는 행위이다.

- 사용자가 좋아할만한 k개의 아이템을 선정하는 것이 목표!!

 

• 좋은 추천시스템은 무엇인가?

검색 시스템의 경우에는 특정한 아이템을 찾아 전달해야한다 -> 사용자의 요구에 부합

But, 추천 시스템은 Top1이 아닌 후보로 특정한 아이템이 사용자에게 의미가 있어야 한다.

=> Relevance (Most import, Not Sufficient)

Novelty : 참신함 (인기차트에 있는 곡들은 Novelty가 떨어진다)

Diversity : 다양성 (검색 시스템은 다양성을 갖기 어려움, 유사적인 것을 추천할 시 지루할 수 있음)

Serendipity : 뜻밖의 우연 (적절한 시기에 적합한 아이템이 추천될때 등) -> 사용자 반응을 측정하기 어려움

 

 

3. 왜 추천 시스템인가?

추천 시스템이 사용되는 이유 : Long-tail 효과로 설명 

NetFlix : Long-tail이 아닌 Killer Contents로 매출을 올리겠다!

 

• 추천시스템을 바라보는 시각의 변화

(1) Profit / Revenue Model -> Reputation / Quality Measure

- 추천 시스템이 외부로부터 해당 매체의 신뢰도를 얻는 수단으로 사용된다 ( ex. Spotify, NetFlix )

 

(2) Explicit / Contents Level -> Implicit / Functional Level

- 과거의 추천 시스템 : 서비스하고 있는 제품이나 Contents를 제공하는 행위

- 현재의 추천 시스템 : 범위가 확대되어 사용자가 인지하지 못하는 암묵적(기능적)인 영역까지 확대 ( ex. 서비스 메뉴 위치의 변경, 포스터 이미지 개인화 )

 

(3) High Quality Items -> Tunable / Explainable

- 과거 : 사용자를 이해한 만큼 Contents를 알아서 구성 -> 사용자에게 전달되는 일방적인 Path

- 현재 : 사용자 스스로가 추천의 결과물을 조절할 수 있음(Tunable)

- 추천된 이유, 태그가 붙어서 Explainability를 확보