추천 시스템, 그것이 알고 싶다.

1️⃣ 추천 시스템, 그것이 알고 싶다. 2️⃣ 아티클 세 줄 요약 💡 추천 시스템이 무엇이고, 어떻게 쓰이는지 알아보아요. 3️⃣ 아티클 정리 * 추천 시스템 : 사용자의 정보데이터를 부석하여 개인의 취향에 맞게 아이템을 추천하는 알고리즘 고객에게 다양한 아이템을 추천 → 고객의 정보 데이터가 쌓임 → 이를 통해 고객의 취향과 니즈 파악 → 고객에게 맞는 아이템 추천 → 만족도 증가 어떤 데이터를 활용할까? - 이커머스 :상품 구매, 평점 데이터 - 유튜브 영상이나 음악에 좋아요를 누르고 컨텐츠에 피드백을 준 데이터 추천 시스템의 효과는 어느 정도 일까? - youtube 사용자 시청 시간의 70%는 추천 알고리즘으로 일어남 추천 알고리즘의 도입으로 사용자 비디오 시청시간이 20배 이상 증가 - 넷플릭스 매출의 75%가 추천 시스템에 의해 발생 추천시스템에 사용되는 데이터 종류 1. Explicit 데이터 : 사용자가 선호도를 직접적으로 표현한 데이터 ex. 평점,좋아요/싫어요, 리뷰, 구독 - 장점 : 사용자의 취향이 정확하게 반영 - 단점 : 데이터 자체를 얻기 어려움. 모든 사람이 직접 의견을 반영한 데이터를 남기지 않음 2. Implicit 데이터 : 사용자가 간접적으로 표현한 선호도, 취향을 나타내는 데이터 ex. 사용자 행동 로그 데이터, 검색 기록, 클릭 기록, 방문 페이지, 구매 내역 - 장점 : 데이터를 얻기 쉬움 - 단점 : 정확하게 사용자의 선호도를 반영했는지 알기 어려움 기본적인 추천시스템의 종류 1. 컨텐츠 기반 필더링 : 사용자가 선택하거나 구매한 아이템과 유사한 아이템을 추천 2. 협업 필터링 : 비슷한 취향을 가진 다른 유저가 좋아한 아이템을 사용자에게 추천 “나와 비슷한 취향을 가진 사람은 나와도 비슷한 평가를 내릴거야. 나는 아직 구매하지 않았지만, 다른 사람이 구매한 상품을 나도 갖고 싶을거야!”라는 가정에서 시작. 추천 시스템의 한계 1. 콜드 스사트 : 신규 사용자는 데이터가 없기에 어떠한 아이템도 추천할 수 없다. 2. 계산 효유성 저하 : 협업 필터링은 계산량이 많은 알고리즘이라, 사용자가 많으면 계산에 장기간 소요 3. 롱테일 : 소수의 인기있는 컨텐츠에만 관심을 보이기에, 자연스럽게 소수의 콘텐츠가 전체 추천 콘텐츠의 많은 비율을 차지. 인기가 없는 콘텐츠는 정보 부족으로 추천되지 못함. 그래서 보완한 하이브리드 추천 시스템 1. 컨텐츠 기반 필터링 + 2. 협업 필터링 + 3. 그 외 추천 시스템 = 하이브리드 추천 시스템 실무에서는 여러가지 추천 알고리즘을 결합하여 사용한다. 4️⃣ 러닝 포인트 - 지금 진행하고 있는 추천 프로젝트들의 기본적인 원리를 알게 되어 매우 도움이 되었다. - 추천 프로덕트를 진행할 때, 어떤 로직으로 적용되는지 이 콘텐츠를 활용하여 설명하면 더 나은 커뮤니케이션을 할 수 있을 것으로 기대된다.