추천 알고리즘은 사용자에게 맞을 것으로 추정되는 상품이나 콘텐츠를 골라 제안하는 방법이다. 인터넷에서 선택지가 많아지면 관련 정보를 걸러내고 우선순위를 정해 전달할 필요가 생기며, 추천 시스템은 이런 정보 과부하를 줄이는 문제를 다룬다.[2]

1. 개요

온라인 쇼핑 추천 연구는 상품과 콘텐츠가 다양해지면서 사용자가 선택에 어려움을 겪는다고 설명한다. 이 연구는 사용자의 행동 데이터를 분석해 선호도를 추정하고 추천 모델을 학습하는 방식을 제안했다.[3]

추천 방식에는 협업 필터링, 콘텐츠 기반 추천, 여러 방식을 결합한 하이브리드 모델이 있다. 연세대학교 인공지능컴퓨팅 전공의 추천시스템 과목은 이 기법들을 다룬다.[4]

2. 협업 필터링의 원리

협업 필터링은 같은 콘텐츠를 좋아하는 사람은 다른 콘텐츠에 대해서도 비슷한 취향을 보일 수 있다는 가정에 기반한다. 예를 들어 갑이 A와 B를 좋아하고 을이 B와 C를 좋아한다면, 갑에게 C를, 을에게 A를 추천하는 방식이다.[5]

이 방식은 사용 기록을 근거로 불필요한 정보를 걸러낸다. 출처는 콘텐츠 평가 참여자가 많아지고 데이터가 쌓일수록 추천 정확도가 높아진다고 설명한다.[5]

3. 선호도와 유사도 산출

특허 사례에서는 사용자의 콘텐츠 이용 정보와 사용자 속성을 이용해 개인별 추천 데이터를 만든다. 콘텐츠별 선호도를 계산할 때 사용자의 행위나 이용 시간에 따라 가중치를 적용하는 절차를 제시한다.[1]

또한 함께 이용된 경우가 많은 콘텐츠 쌍을 찾고, 이용 형태와 각 콘텐츠의 속성에 따른 가중치를 반영해 쌍의 유사도를 산출한다. 이렇게 계산한 선호도와 유사도가 개인별 추천 데이터를 만드는 데 쓰인다.[1]

4. 사용자 행동 데이터 활용

온라인 쇼핑 추천 연구는 한 종류의 사용자 행동만으로 선호도를 추정하면 오차가 생길 수 있다고 제시한다. 이에 여러 종류의 사용자 행동 데이터 사이의 상관관계를 분석해 선호도를 파악하는 방법을 제안한다.[3]

제안된 방식은 행동 데이터의 상관관계를 분석해 가중치를 만들고, 그 가중치로 추천 모델을 학습한다. 연구는 기존 알고리즘과 성능을 비교해 제안 시스템의 복잡도와 성능 향상을 확인했다고 보고한다.[3]

5. 추천 방식과 평가

추천 시스템은 관련 정보를 필터링하고 우선순위를 정해 전달함으로써 정보 과부하 문제를 다룬다. 추천 시스템의 원리와 방법, 평가를 함께 다루는 연구도 소개되어 있다.[2]

연세대학교 인공지능컴퓨팅 전공의 추천시스템 과목은 협업 필터링, 콘텐츠 기반 추천, 하이브리드 모델과 딥러닝을 활용한 추천 시스템 설계 및 성능 최적화를 다룬다.[4]

6. 관련 문서

  • 협업 필터링
  • 콘텐츠 기반 추천
  • 사용자 행동 데이터

7. 인용 및 각주

[1] Sscienceon.kisti.re.kr(새 탭에서 열림)

[2] Sscienceon.kisti.re.kr(새 탭에서 열림)

[3] Sscienceon.kisti.re.kr(새 탭에서 열림)

[4] Rrus.yonsei.ac.kr(새 탭에서 열림)

[5] Wwiki1.kr(새 탭에서 열림)