추천시스템 Introduction

1. 추천시스템(Recommend System)이란?

보통, 유튜브에서는 내가 좋아할만한 영상을 추려 "추천 영상"을 보여준다. 이 때, "유튜브를 이용하는 나"를 "User"라고 하고 "영상"을 "Item"이라 했을 때, 추천시스템이란 아래의 설명과 같다.

User가 Item에게 줄 것 같은 점수(rating)나 선호도(preference)를 예측하는 모델 및 시스템으로 User의 선호도와 관련있는 어떤 새로운 Item 을 식별하고 추천하는 시스템이다. 종종 예측 점수 상위 N개만 걸러서 추천하는 영역까지도 포함시켜 추천시스템이라 부른다.

2. 추천시스템 유형

2.1 추천 시스템은 추천 대상이 "개인"인지 "그룹"인지에 따라 분류할 수 있다.

1) 개인화 추천 시스템 (personalized recommendation sysytm)
- User별로 각각에게 Item을 추천하는 시스템
- 이는 다시, Collaborative filtering, Content-based, Hybrid methods 로 구분한다.
2) 그룹 추천 시스템 (group recommendation sysytm)
- User들로 이루어진 Group에게 Item을 추천하는 시스템
- 여러 User들의 선호도를 고려해야하기 때문에 개인화 추천시스템보다 어렵다.
- 이는 정보 활용 방식에 따라 memory-based, model-based 등등으로 구분한다.

2.2 개인화 추천은 "추천 근거 정보"가 "User 행동"인지 "Item 속성"인지에 따라 분류할 수 있다.

1) 협업 필터링 기반 추천 시스템 (collaborative filtering; CF)
- User들의 행동(Item 평점, Item 구매 등등)에 기반하여 User들의 Item을 추천하는 방식
- 이는 유사한 행동 및 선호도를 가지는 User는 유사한 Item 선호도를 가질 것이라 가정한다.
- 추천 시, User의 과거 행동을 통한 프로필 정보를 활용하는데, 활용 방식에 따라 memory-based, model-based로 구분한다.
- 이 때, User의 과거 행동은 자동으로 수집된다는 장점이 있다.
2) 컨텐츠 기반 추천 시스템 (content-based; CB)
- User들의 행동에 기반하는 것이 아닌, 단순 Item의 속성정보만을 통해 User의 이전 Item과 유사한 Item을 추천하는 방식
- 단순한 정보이므로 예전에는 많이 사용했지만, 최근에는 많이 사용하지 않는 방법이다.
- 협업 필터링에서 발생하는 콜드-스타트 및 sparse 문제에 대하여 컨텐츠 기반은 해결 가능하다.
- 추가로, 추천을 발생시킨 속성들을 통해 추천 결과에 대한 이유 또한 설명 가능해진다.
- 하지만, Item의 속성값은 일일이 기록해야하므로 Item 수가 매우 많아지면 데이터 생성의 어려움이 있다.

3) 하이브리드 방법 (hybrid method)
- 위의 "협업 필터링" 과 "컨텐츠 기반" 방식을 섞어 추천하는 방식

2.3 협업 필터링은 "추천 근거 정보의 활용 방식"이 "memory", "model", "context-aware"에 따라 분류할 수 있다.

1) memory-based (= Nearest Neighborhood-based) 협업필터링 (NBCF)
- 이는 유저나 아이템 간 유사도(Similarity)를 이용하여 추천하는 방식으로 크게 2가지 방식이 존재한다.
  - 유저 기반 협업 필터링 (User based CF)
    : User들이 평가한 Item 데이터에 근거하여, 현재 User와 가장 유사한 User를 찾고, 그 User의 선호 Item을 추천하는 방식
  - 아이템 기반 협업 필터링 (Item based CF)
    : User들이 평가한 Item 데이터에 근거하여, 현재 User의 Item들과 가장 유사한 Item을 찾아 추천하는 방식
- 이러한 모델은 크게 2가지 문제점을 가지고 있다.
  - 첫 번째는 유저-아이템 행렬이 sparcity하게 되면 에러에 민감하게 반응한다는 것이다.
  - 두 번째는 유저와 아이템 수가 많아지게 되면 각 유저 간 또는 아이템 간 유사도를 측정하는 계산량이 매우 커진다는 것이다.
  - 이를 해결하기 위한 널리 알려진 방법은 임베딩 및 차원축소, 샘플링, 병렬 컴퓨팅 등이 있다.

2) Model-Based (= neural-based) 협업 필터링 (MBCF)
- 기존의 협업 필터링 방식은 추가적인 데이터의 사용과 sparcity 문제점 등등 다양한 문제가 존재하여 이를 해결하고자 다양한 머신러닝 및 딥러닝을 접목하고자 했다.
- 여기서부터는 매우 다양한 유형이 존재하는데 Matrix Factorization, Probabilistic Models, Deep Learning Models 등등이 존재하고 각각의 유형 내에도 다양한 모델이 존재하므로 하나씩 논문 리뷰를 하며 차차 살펴볼 예정이다.
- 내가 어디서 들어봤었던 유명한 모델들만 간단히 몇 개 살펴보고자 한다.
- FM (Factorization Machine)
  - [Factorization Machines] (Steffen Rendle) 논문 참고. 2010년에 발행되었다.
  - User, Item 데이터 뿐만 아니라 매우 다양한 변수들을 SVM 모델의 선형 커널로 만들어 예측하는 방식이다.
  - 이는 통계 회귀분석 모델에서 각 변수들과 모든 변수간의 교차항을 포함한 다항회귀와 비슷하지만, 변수간의 교차항의 계수를 하나의 가중치가 아닌 각 변수별 잠재벡터(latent vector)의 내적으로 계산했다.
    (자세한 건 이후 논문 리뷰에서 다루도록 하겠다. 또는 다음 링크를 참고 바란다. https://supkoon.tistory.com/31)
- NCF(Neural CF) 논문 내 NMF(Neural Matrix Factorization)
  - [Neural Collaborative Filtering] (Xiangnan He, Lizi Liao, Hanwang Zhang, Liqiang Nie, Xia Hu, Tat-Seng Chua) 논문 참고. 2017년에 발행되었다.
  - 간단하게만 언급하면, 기존 Matrix Factorization을 일반화하여 General Matrix Factorization Layer를 만들고 추가로새로운 임베딩을 통한 MLP Layer를 합하여 latent factor에 대한 정보를 최대한 뽑아내고자 했다.
    (이 또한 자세한 건 논문 리뷰 페이지에서 다루도록 하겠다.)
3) context-aware based 협업 필터링
- 이는 User의 행동과 밀접하게 영향을 끼치는 맥락 정보(contextual information)를 고려하기 위한 시스템이다. 맥락 정보의 예시로는 시간, 장소, 사회적 지위, 분위기, 날씨 등등이 있다.
- 이는 매우 다양한 데이터들을 고려하게 되는데 이렇게 되면 고려할 차원 수가 폭발적으로 늘어나기 때문에 이를 처리하려는 다양한 시도가 있다.

참고 링크