[SKT AI 커리큘럼] 추천시스템 - 9. 추천서비스 고려사항(1)

SKT AI 커리큘럼 학습 내용 정리

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

 

9. 추천 기술  : 추천서비스 고려사항 1

서비스로서 추천 시스템의 역할과 고려해야 하는 사항들

 

Consumer Bias & Decision Making

 

1. Price-Value Bias

- 똑같은 맛의 와인이 2병 있다면, 더 비싼 Price Tag가 달린 와인이 더 맜있게 느껴지는 편견

- 공상과학 장르와 히어로 장르를 좋아하는 고객에게 어벤져스와 테넷을 추천해준다면 고객은 높은 확률로 어벤져스를 시청할 것이다.
- 하지만 이 때 어벤져스는 7150원을 내야 볼 수 있고, 테넷은 무료로 볼 수 있다면 고객은 다음과 같은 2가지의 의사결정 과정을 거친다.

1. 내가 어벤져스 영화의 장르를 좋아하지만 이 영화가 나에게 7150원의 가치가 있는가?

2. 무료영화인 테넷를 마다하고 유료영화인 어벤져스를 봐야할 이유가 있는가?

-> 이 때 고객은 높은 확률로 무료 콘텐츠를 선택한다. 

- 넷플릭스는 서비스에 대한 Price Tag를 달아놓지 않는다. 따라서 사용자의 선택을 오로지 사용자의 선호도에 근거한 선택이라고 생각할 수 있다. (추천시스템 속에서 콘텐츠와 가장 관련없는 '가격'이라는 요소를 제거)

 

 

2. Presentation Bias

- 적합도가 낮다고 판단되는 Low Rank 작품들은 항상 하위에 머물기 때문에 사용자가 보고 평가할 기회가 거의 없다. 

- 반대로 인기작들이 계속 노출되는 경우에는 사용자들이 다른 작품을 평가할 기회가 없어 선택이 쏠리게 된다.

(Selection Bias)

 

 

3. Popularity Bias

- 인기도와 관련된 bias로 어쩔 수 없이 인기작들인 Short-head로 Popularity가 몰리게 되는데, 이렇게 되면 확률적으로 자주 노출되는 Short-head 작품들이 Long-tail 작품들에 비해 높은 점수를 받게 된다. 이러한 현상은 반복되어 결국 악순환으로 이어진다. 

- 물론 이는 기업에서 볼 때 당연한 Business KPI(Key Performance Indicator) 이지만, 이를 제하고 본다면 아이템들이 공정한 선택의 기회를 받게 만드는 것이 중요하다. 

- 따라서 Long-tail 작품들을 고객에게 보여주었을 때 개인별로 얼마나 거부감이 있는지를 측정하고, 측정된 결과에 의해서 거부감이 없는 사용자들에게 인위적으로 Long-tail 작품들을 노출하기도 한다. 

 

 

cf. 추천시스템의 4가지 Cycle

사용자 -> 데이터 -> 추천 시스템 -> 고객에게 추천 ( 사용자 행동에 반영 ) -> 사용자

- 이 때 bias가 발생하게 되면 한 곳에서만이 아닌 모든 Cycle에서 bias가 작용한다.

사용자-> (Selection Bias) -> 데이터 -> (Sampling Bias) -> 추천 시스템 -> (Algorithmic Bias) -> 고객에게 추천 -> (Presentation Bias) -> 사용자