[SKT AI 커리큘럼] 추천시스템 - 6. Collaborative Filtering - Memory based

SKT AI 커리큘럼 학습 내용 정리

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

 

 

6. 추천 기술  : ③ Collaborative Filtering - Memory based

 

Collaborative Filtering

- 나뿐만 아니라 서비스를 사용하는 다른 사람들의 피드백을 활용하는 방법

- Memory based, Model based 의 방법이 존재

 

Memory Based (User-User CF)

- 어떤 사용자의 상품에 대한 정보가 없다면, 해당 사용자와 가장 유사한 다른 사용자들을 찾고 그 사용자들의 점수를 이용하여 알고자 하는 사용자의 rating 값을 구하는 것!

- 이 때 구한 값은 사용자별 점수를 주는 정도의 차이가 있기 때문에 평균값을 이용해 값을 재구성해준다. 

 

Memory Based (Item-Item CF)

- 내가 모르는 평점을 예측하기 위해서 그 상품과 유사한 상품을 찾는 것

- Matrix를 통해 유사도를 계산하고 User 방식과 비슷하게 rating 값을 구함

 

 

두 방법은 장단점이 존재하기 때문에 우위를 가리기 어렵지만, Item based의 장점은 내가 매긴 평점을 기준으로 하기 때문에 점수의 일관성을 가질 가능성이 높다!

Rating Matrix만 있어도 추천시스템이 돌아갈 수 있기 때문에 두 방법 모두 강한 baseline을 구축하기 쉽다.

---

장점

- No Feature Selection

 

단점

- Cold Start Problem

(기존의 user, item 정보가 필요)

- Sparsity Problem

(Rating Matrix가 sparse하기 때문에)

- Popularity bias

(대부분의 클릭은 인기있는 것에 몰리기 때문에 -> 추천 결과가 인기있는 걸로 몰림!!)

- Difficult to provide explanation

(Rating Matrix만을 사용하기 때문에)