주요 추천 시스템 분류
- 함께 구매한 아이템 추천 : 해당 아이템을 구매한 유저들이 함께 구매한 아이템을 추천해당 테스크는 동일한 아이템을
- 유사한 아이템 추천 : 아이템의 정보들을 임베딩(Embedding)하여, 전체 아이템 중 유사한 아이템을 추천
- 인기도기반 아이템 추천 : 가장 많은 인터렉션이 발생한 아이템을 추천
- 개인화 추천: 아이템, 유저, 상호작용 데이터를 활용하여 딥러닝 모델을 통해 개인화된 추천 결과 제공
더 생각해 보기
1. 함께 구매한 아이템 추천
해당 아이디어는 "동일한 아이템을 구매했다는 이유 하나만으로 유사한 선호도를 가진 유저일 수 있다"는 가정에서 시작한다. 이는 단일 원인만 고려한 것으로 예측의 정확도를 보장하기 어려울 확률이 높다.
예를 들어, A유저와 B유저가 동일하게 a상품을 구매했고 이때 A유저가 b상품을 함께 구매했다면, 해당 알고리즘 원리에 의해 B유저에게 b상품을 추천한다.
하지만, A유저가 b아이템을 구매한 이유가 가족이 판매하는 상품이라서 구매했다면 B유저에게는 엉뚱한 상품을 추천하게된다. 이렇듯 기호에 의한 선택으로 보기 어려운 요인들은 추천의 정확도를 떨어뜨린다.
이런 경우, 추천 참고 대상을 A한사람이 아닌 집단으로 변경하는 아이디어로 예측 성능을 높일 수 있다.
a상품을 구매한 B유저에게 추천할 상품을 a상품을 구매한 A한사람이 아니라, a상품을 구매한 집단중에서 또다시 동일하게 구매한 횟수가 높은 상품을 추천함으로써 정확도를 높이는 것이다.
2. 유사한 아이템 추천 :
아이템의 정보들을 임베딩(Embedding)하여, 전체 아이템 중 유사한 아이템을 추천
→ 유저가 상품을 구매한 데이터가 부족한 Cold start 상황에서 활용가능
3.인기도기반 아이템 추천 :
가장 많은 인터렉션이 발생한 아이템을 추천
→ 인기도가 높은 몇몇 소수의 상품만을 활용하는 한계가 있다.
때문에 기업입장에서는 차별성을 가지고 다양한 상품을 개인화된 선호에 맞게 추천해주는 개인화 추천 시스템이 필요하다.
4.개인화 추천:
아이템, 유저, 상호작용(Feedback) 데이터를 활용하여 딥러닝 모델을 통해 개인화된 추천 결과 제공한다.
아래와 같이 추천 모델에는 다양한 모델과 이론들있다!
- General Recommendation: BPR, ItemKNN,ConvNCF,NGCF,RecVAE…
- Sequential Recommendation: RepeatNet, GRU4Rec, SASRecF, BERT4Rec, FDSA,…
- Context-Aware Recommendation : WideDeep, DeepFM, FFM,Autoint,PNN,FM…
- Knowledge-Aware Recommendation : CKE, CFKG, RippleNet, KGAT…
위의 내용은 부스트캠프 블로그 글의 내용을 일부 참고하였습니다!
참고링크 : https://blog.naver.com/boostcamp_official/222942213787
'ML＆DL > 추천시스템' 카테고리의 다른 글
| [Recsys] 추천시스템 주요 논문 리스트 정리 (0) | 2023.04.30 |
|---|