추천시스템 (Recommendation System) 심화

추천시스템 (Recommendation System) 심화

사용자의 선호도를 분석하여 개인화된 아이템을 추천하는 시스템으로, 협업 필터링, 콘텐츠 기반, 하이브리드 접근법 활용

특징: 대규모 데이터, 실시간 처리, 콜드 스타트 문제, 다양성 vs 정확성

협업 필터링(CF): 사용자기반(유사사용자 선호), 아이템기반(유사아이템, Amazon), 행렬분해(R≈PQ^T, SVD·ALS, Netflix Prize)

콘텐츠 기반: 아이템 속성과 사용자 프로필 매칭(TF-IDF·BERT), 콜드스타트(아이템) 해결, 필터버블 한계

딥러닝 추천

• •NCF(Neural CF): MLP로 사용자-아이템 상호작용 학습
• •Wide & Deep: 암기(Wide)+일반화(Deep), Google Play
• •DeepFM: FM+DNN 특성교차 자동학습
• •Two-Tower: 사용자/아이템 별도 인코딩, 실시간 검색 적합

하이브리드: 협업+콘텐츠+지식 결합, 각 방법 단점 보완

평가 지표: 정확도(Precision@K, NDCG, MAP), 다양성(Coverage, Novelty), 비즈니스(CTR, 전환율)

콜드 스타트 해결: 인구통계·인기도 기반, 사이드 정보 활용, 메타 러닝

적용사례: Netflix(영상), Spotify(음악), Amazon(상품), YouTube(동영상)

비교: 협업필터링(상호작용·콜드스타트) vs 콘텐츠기반(속성·필터버블) vs 딥러닝(복합·고비용)

연관: 임베딩, 행렬 분해, 딥러닝, A/B 테스트, 개인화