콘텐츠 기반 추천

콘텐츠 기반 추천은 사용자가 이전에 선호했던 항목들의 특징과 유사한 항목들을 제안하며, 항목 콘텐츠로부터 사용자 관심사를 프로파일링합니다.

Definition

콘텐츠 기반 추천은 항목의 콘텐츠 특징을 사용자가 이전에 상호작용한 항목들로부터 추론된 사용자 선호도 프로필과 비교하여 해당 항목에 대한 사용자의 관심을 예측하고, 프로필과 가장 유사한 항목들을 추천합니다.

Scope

이 주제는 항목 설명과 학습된 사용자 프로필에 의존하는 추천을 다룹니다. 즉, 항목을 콘텐츠 특징으로 표현하고, 평가되거나 소비된 항목들로부터 사용자 프로필을 구축하며, 유사성 또는 지도 학습을 사용하여 프로필과 후보 항목들을 매칭하는 것입니다. 이는 사용자 프로필이 고정된 쿼리처럼 작동하는 정보 검색과의 밀접한 연관성, 그리고 과잉 전문화와 같은 특징적인 강점과 한계를 다룹니다. 다른 사용자들의 행동을 이용하는 협업 필터링 방식은 제외합니다.

Core questions

• 추천을 위해 항목이 콘텐츠 특징으로 어떻게 표현되는가?
• 사용자가 선호한 항목들로부터 사용자 프로필은 어떻게 구성되는가?
• 후보 항목들은 사용자 프로필에 대해 어떻게 점수가 매겨지는가?
• 콘텐츠 기반 추천은 정보 검색 및 필터링과 어떻게 관련되는가?
• 콘텐츠 기반 추천이 과잉 전문화 경향을 보이는 이유는 무엇인가?

Key concepts

• 항목 콘텐츠 특징
• 사용자 프로필
• tf-idf 및 키워드 프로필
• 프로필-항목 유사성
• 지도 선호도 학습
• 과잉 전문화
• 추천의 설명 가능성
• 새로운 항목 처리

Key theories

프로필-쿼리 매칭

항목을 콘텐츠 특징으로 표현하고, 사용자를 선호 항목들로부터 집계된 프로필로 표현함으로써, 콘텐츠 기반 추천은 검색 스타일의 유사성 매칭으로 귀결됩니다. 여기서 프로필은 항목 카탈로그에 대한 지속적인 쿼리처럼 기능합니다.

강점과 과잉 전문화

콘텐츠 기반 방법은 새롭고 틈새 시장의 항목을 추천할 수 있으며 특징을 통해 제안을 설명할 수 있지만, 사용자의 이력과 유사한 항목만 표면화하기 때문에 우연성이 부족한 좁고 과잉 전문화된 세트를 제공할 위험이 있습니다.

Clinical relevance

콘텐츠 기반 추천은 항목 설명이 풍부한 기사, 제품, 음악, 비디오 등에 대한 제안을 유도하며, 다른 사람들의 평가에 의존하지 않으므로 새로운 항목을 잘 처리합니다. 각 접근 방식의 약점을 상쇄하기 위해 협업 필터링 방식과 널리 결합됩니다.

History

콘텐츠 기반 추천은 1990년대 정보 필터링 및 검색에서 직접적으로 발전했으며, 사용자 프로필을 장기적인 쿼리로 취급했습니다. Pazzani와 Billsus의 개요와 이후 Lops와 동료들의 최신 기술 조사는 표현 및 프로필 학습 기술을 통합했으며, 이 접근 방식은 특히 하이브리드 시스템 내에서 표준 구성 요소로 남아 있습니다.

Key figures

• Michael Pazzani
• Daniel Billsus
• Pasquale Lops
• Giovanni Semeraro

Seminal works

• pazzani2007
• lops2011

Frequently asked questions

콘텐츠 기반 추천은 정보 검색과 어떻게 관련되어 있습니까?

매우 밀접하게 관련되어 있습니다. 사용자 프로필은 쿼리의 역할을 하고, 항목은 문서의 역할을 하며, 최상의 항목을 추천하는 것은 본질적으로 쿼리와의 유사성에 따라 문서를 순위 매기는 것입니다. 많은 콘텐츠 기반 방법은 tf-idf 및 코사인 유사성과 같은 검색 표현을 재사용합니다.

콘텐츠 기반 추천에서 과잉 전문화란 무엇입니까?

이 방법은 사용자가 이미 좋아했던 것과 유사한 항목만 추천하기 때문에, 사용자가 즐길 수 있는 새롭거나 놀라운 항목을 놓치고 거의 동일한 항목만 계속 제안할 수 있습니다. 이러한 우연성의 부족은 콘텐츠 기반 방법이 종종 협업 필터링과 결합되는 주요 이유입니다.