추천 및 콘텐츠 시스템

추천 시스템은 사용자가 관심을 가질 만한 항목을 제안하여, 질의 기반 검색을 보완하는 개인화된 정보 접근을 제공합니다.

Definition

추천 시스템은 항목 내용, 사용자의 과거 행동, 다른 사용자의 행동과 같은 증거를 사용하여 사용자의 항목 선호도를 예측하고 순위가 매겨진 제안 세트를 제시함으로써, 명시적인 질의 없이 개인화된 정보 접근을 지원합니다.

Scope

이 분야는 사용자에게 항목을 선제적으로 추천하는 시스템을 다룹니다. 여기에는 항목을 사용자 프로필에 맞추는 콘텐츠 기반 추천, 사용자 및 항목 전반의 패턴을 활용하는 협업 필터링, 신호를 결합하고 상황에 적응하는 하이브리드 및 상황 인식 방법, 그리고 추천 평가가 포함됩니다. 이는 추천을 검색과 밀접하게 관련된 정보 접근의 개인화 지향적 분야로 취급하며, 명시적인 질의 없이 항목을 제안하는 독특한 문제를 해결하면서 검색과 표현 및 평가 아이디어를 공유합니다.

Sub-topics

• Collaborative Filtering
• Content-Based Recommendation
• Hybrid and Context-Aware Recommenders
• Recommender Evaluation

Core questions

• 명시적인 평점과 암묵적인 행동으로부터 사용자 선호도를 어떻게 추론하는가?
• 콘텐츠 기반 추천은 협업 필터링과 어떻게 다른가?
• 협업 방법은 많은 사용자 및 항목 전반의 패턴을 어떻게 활용하는가?
• 콘텐츠, 행동 및 상황적 신호는 어떻게 결합되는가?
• 예측 정확도를 넘어 추천 품질은 어떻게 측정되는가?

Key concepts

• 사용자 및 항목 프로필
• 명시적 및 암묵적 피드백
• 콘텐츠 기반 추천
• 협업 필터링
• 행렬 분해 / 잠재 요인
• 콜드 스타트 문제
• 상황 인식 추천
• 추천 순위 및 다양성

Key theories

콘텐츠 기반 대 협업 필터링

콘텐츠 기반 방법은 항목 특징을 사용하여 사용자가 좋아했던 항목과 유사한 항목을 추천하는 반면, 협업 필터링은 사용자-항목 상호작용 행렬을 사용하여 유사한 사용자가 좋아했던 항목을 추천하며, 각각 상호 보완적인 강점과 약점을 가집니다.

행렬 분해 및 잠재 요인 모델

협업 필터링은 희소한 사용자-항목 평점 행렬을 저차원 사용자 및 항목 요인으로 분해하는 것으로 볼 수 있으며, 이들의 내적(dot products)은 선호도를 예측합니다. 이는 현대 추천의 핵심 기술입니다.

Clinical relevance

추천 시스템은 전자상거래, 스트리밍 미디어, 뉴스, 소셜 플랫폼 및 온라인 광고의 핵심이며, 사용자가 온라인에서 접하는 많은 것을 형성합니다. 이들은 검색과 표현, 순위 지정 및 평가 방법을 공유하며, 다양성, 공정성, 필터 버블과 같은 우려 사항으로 인해 그 설계가 중요합니다.

History

추천 시스템은 GroupLens와 같은 초기 협업 필터링 시스템과 함께 1990년대 중반에 등장했습니다. 넷플릭스 프라이즈(Netflix Prize) 대회(2006-2009)는 행렬 분해(matrix-factorization) 방법의 주요 발전을 촉진했으며, 이 분야는 콘텐츠 기반, 협업, 하이브리드 및 상황 인식 접근 방식을 아우르는 광범위한 학문 분야로 성숙하여 포괄적인 핸드북과 교과서에 통합되었습니다.

Key figures

• Joseph Konstan
• John Riedl
• Gediminas Adomavicius
• Charu Aggarwal
• Francesco Ricci

Seminal works

• ricci2015
• adomavicius2005
• ekstrand2011

Frequently asked questions

추천은 검색과 어떻게 다른가요?

검색은 즉각적인 필요를 표현하는 명시적인 질의에 응답하는 반면, 추천은 사용자의 추론된 선호도와 맥락을 기반으로 종종 질의 없이 항목을 선제적으로 제안합니다. 이들은 표현 및 순위 지정 메커니즘을 공유하지만, 서로 다른 정보 접근 문제를 해결합니다.

콜드 스타트(cold-start) 문제는 무엇인가요?

콜드 스타트는 상호작용 기록이 거의 없거나 전혀 없는 신규 사용자 또는 신규 항목에 대해 추천하기 어려운 문제입니다. 학습할 평점이나 행동이 없으면 협업 방법은 어려움을 겪으며, 이 때문에 콘텐츠 기반 특징과 하이브리드 접근 방식이 종종 이 간극을 메우는 데 사용됩니다.