"추천 알고리즘의 프로세스" [ReSys]

이번엔 "여러 후보 가운데 가치 있는 것을 선정"하는 과정, '프로세스 (추천설계)' 과정을 알아보자. 추천 시스템의 알고리즘은 각기 다른 특징과 함께 다양한 방법을 갖고 있다. 때문에 적절한 알고리즘을 채택하기 위해 각 알고리즘 별 특징을 파악하고 설계하는 과정이 필요하다!!

 

추천 시스템의 개요.

 

📌 내용 기반 필터링(Content-based filtering)

 유저가 어떤 아이템을 좋아하는지 나타내는 '유저 프로필'과 아이템의 다양한 성질을 담은 '아이템 특징'과의 유사도를 계산한다. 이 유사도를 바탕으로 유저에게 아이템을 추천하는 알고리즘이 바로 컨텐츠 기반 필터링이다. 그러면 이 필터링 기법을 예시와 함께 그 과정을 알아보자. 

 

1️⃣ 아이템 특징의 획득

컨텐츠 기반 필터링에서 사용할 아이템의 특징 획득 방법은 성질에 따라 다양하다. 

Ex) 책 : 제목/장르/문자 수/작가/출판일 등 다양한 속성 정보, 음악(음성데이터) : 작곡자/작곡 연도 등. 

 

2️⃣ 유저 프로필 획득

이 때 아이템 내용에 대한 유저의 선호도를 나타내는 유저 프로필 획득 방법은 크게 2가지다. 첫 번째는 유저의 과거 행동 이력에 기반해 유저 프로필을 작성하는 '간접 지정형'이다. 

Ex) 유저의 구입 이력 중 가장 많이 나타난 아이템의 특징을 해당 유저가 선호하는 것으로 설정하여 유저 프로필을 생성.

 

두 번째는 유저에게 스스로 선호하는 아이템의 특징을 명시적으로 지정하도록 하는 '직접 지정형'이다. 말 그대로 명시적인 지정을 유저 본인이 하도록 유도함으로써 추천을 위한 선호도를 서비스 내에서 체크하는 과정이다. 

Ex) "내가 선호하는 작가는? OOO." , "내가 좋아하는 음악 장르는? XXX"

 

이러한 명시적인 선호도 지정은 서비스 가입 직후 온보딩이나 마이 페이지 등에서 수행할 때가 많다. 더 자세한 내용과 함께 코드의 구현 과정은 다음 편에서 다뤄볼 예정이다. 

 

📌 협업 필터링 (Collaborative filtering)

협업 필터링은 메모리 기반 방법과 모델 기반 방법의 2가지로 나뉜다. 메모리 기반 방법은 추천받을 유저와 선호도가 비슷한 유저에 착안해 추천을 수행하는 '유저-유저 메모리 기반 방법'과 추천받을 유저가 선호하는 아이템과 비슷한 아이템에 착안해 추천하는 '아이템-아이템 메모리 기반 방법'으로 나뉜다. 

 

1️⃣ 메모리 기반 방법 알고리즘 (유저 to 유저)

먼저 서비스 내의 다른 유저들 중 추천받을 유저인 유저1과 아이템 선호도가 비슷한 다른 유저를 찾는다. 그 다음 유저1과 선호도가 비슷한 다른 유저들(유저2, 3, 4)이 선호하는 아이템을 유저1에게 추천할 후보 아이템 중(a, b, c 중에서 하나)에서 선택한다. 마지막으로 선호도가 비슷한 유저의 선호 아이템을 유저1에게 추천한다. 

 

➡️ 추천받을 유저1과 선호도가 비슷한 유저들은 어떻게 찾아낼까???

이때는 유저의 '구매 이력에서 아이템 선호도를 추측해' 선호도 경향이 비슷한 유저를 찾는다. 다른 유저의 과거 행동이력(구매 데이터) 가운데 '구입한 아이템'을 '선호하는 아이템'으로, '구입하지 않은 아이템'을 '선호하지 않는 아이템'으로 가정할 수 있다. (어디까지나 추정과 가정의 영역이나, 좀 더 구체화하는 과정이 필요.)

 

 

2️⃣ 모델 기반 방법 알고리즘

 이미 알고 있는 데이터의 규칙성을 학습한 모델을 만들어 새로운 아이템의 '평가값'을 예측하여 추천하는 방법이다. 예측에 사용하는 모델로는 '클러스터링을 이용한 모델', 회귀 문제 및 분류 문제로 평가값을 예측하는 모델, 토픽 모델, 행렬 분해를 사용한 모델 등 다양하게 존재한다.  

 

 평가값을 예측하는 모델???

 유저로부터 얻은 아이템에 대한 선호도 정보를 '기호 데이터'라고 한다. 그리고 수집한 기호 데이터에 기반해 유저가 해당 아이템의 선호도 정도를 정량적으로 나타낸 것을 '평가값'이라고 한다. 그리고 그 평가값을 성분으로 하는 유저 * 아이템의 행렬을 '평가값 행렬'이라고 한다. 

 

 

📌 그래서 어떤 걸 써야 해??

교재에서는 다양한 관점을 통해 협업 필터링과 컨텐츠 기반 필터링을 비교하고 있다. 각 알고리즘에는 장단점이 있으며 "특정 상황과 특정 알고리즘이 예측 정확도가 더 좋아!"라고는 말할 수 없다. 하지만 방법론적인 이야기를 떠나, 어떤 측면에서는 이러한 방법이 더 좋을 수 있다는 이야기는 가능하다. 

Ex) 규모가 있는 서비스 속 '서비스를 적극적으로 사용하며 일반적인 선호도 경향을 가진 유저'에게 상품을 추천할 때.

 

 이 경우에는 유저의 프로필과 과거 구매 아이템의 특징에 기반해 추천하는 컨텐츠 기반 필터링보다, 다양한 유저의 행동 이력을 추천 결과에 반영할 수 있는 협업 필터링이 더 유리하다. 왜냐??? 복잡한 유저의 기호를 더 잘 고려할 수 있으며, 유저가 서비스를 계속 사용할수록 활용할 수 있는 데이터(ex. 다른 유저들의 기호 데이터도 포함.)가 늘어나기에 예측 정확도의 향상을 기대할 수 있다.