최근 추천 시스템을 연구하는 학생들에게 몇가지 질문을 받았습니다.

아마 학계에 있는 분들의 공통된 관심 및 궁금증일 수 있어, 개인적인 의견을 글로 정리해봅니다.

1. 현재 현업에서 주류로 사용되는 추천시스템 모델은 어떤것인가요? MF기반 딥러닝 모델과 동시에 CBF 계열의 모델도 많이 사용하나요?

• MF기반 딥러닝 모델과 CBF 계열의 모델 모두 많이 사용합니다. 실제 추천 시스템이 적용될 특성에 적합하게 모델이 선정되어 적용됩니다.

• 각 모델의 특성은 매우 다릅니다. MF 기반의 모델은 Data Sparsity가 낮은 Heavy User들에게 Serendipity가 있는 추천을 주는데 강합니다. 반면 CBF는 메타를 기반으로 추천을 하기 때문에, 이력이 적은 User에게 추천을 할 수 있고, 유사 컨텐츠를 추천하거나 하는 경우에 적합합니다.

2. 만약 MF 기반 모델을 사용한다면 유저 수와 아이템 수는 어떻게 정의하나요?

• 유저 수와 아이템 수의 경우, 실제 적용되는 서비스 시나리오에 따라 달라지는 것 같습니다.

• 얼마나 많은 유저에게 Serendipity가 있는 추천을 제공하고 싶은지에 따라 달라집니다. 맛집을 추천한다고 했을 때, 1, 2개만의 맛집을 다녀온 것 만 가지고 그 사람의 취향을 제대로 이해하기 어려울 수도 있습니다. 그렇기 때문에 적절한 유저의 기준은 Domain 특성에 맞게 정하게 됩니다.

• 아이템 수도 마찬가지 입니다. 추천에 있어 가장 중요한 문제 중 하나는 추천할만한 좋은 Candidate들을 선정하는 과정입니다. 그게 신상 아이템을 추천하고자 하는 모델인지, Popular한 것들을 추천하고자하는 모델인지의 모델 철학에 따라 아이템 수는 달라지게 됩니다.

3. 학계에서는 Data-Sparsity와 Cold-Start 문제를 최대한 완화시키려고 하는 추세인데, 현업에서는 이 문제를 어떤 방법을 사용해서 완화하고 계신가요?

• 현업에서도 해당 문제들을 매우 중요하게 고려하고 있습니다.

• Data Sparsity의 경우, Graph 기반의 방법, 여러 추천 모델의 Ensemble, Session 기반의 추천 등 다양한 방식을 통해 모델적으로도 해결할 수 있습니다. 또한 Data 관점에서는 최대한 많은 User Feedback Data를 수집하여 활용한다거나, Zero Injection과 같은 Preference Modeling을 통해서도 해결할 수 있습니다.

• Cold Start 문제의 경우, 위에서 말씀드린 CBF 계열의 모델을 사용한다거나 하여 해결해볼 수 있습니다. 요즘에는 LLM을 기반으로 추천 Item 자체에 대해 추천하는 LLM4Rec에 대한 것도 많이 연구되고 있습니다.

4. 산업에서 추천시스템을 적용하는데 있어, 최근 이슈가 되고 있는 부분들은 어떤것들이 있나요?

• 학계에 비해 산업에서 많이 고민하는 것은 좋은 추천이 정말 무엇인가에 대해 많이 고민하는 것 같습니다. 꼭 SOTA 모델 많이 좋은 추천 모델은 아니기 때문입니다. 특히 추천시스템은 서비스와 직접적인 연관이 있기 때문에 서비스에 최적화된 좋은 모델들에 대해 다방면으로 연구합니다.

• 추천 기술은 시스템과 빠르게 연계 되어야 하기 때문에 추천 모델 뿐 아니라 이것을 시스템으로 어떻게 연계 할 지에 대한 고민을 많이 하고 있습니다.

• 마지막으로 추천시스템이 적용되었을때, 사용자들의 반응을 빠르게 파악하고 분석하는 것들을 잘 하기 위한 고민들을 지속적으로 많이 합니다. 그렇기 때문에 시스템적으로 AB Testing과 같은 것들도 많이 고민하고 있습니다.