추천 시스템은 여러 서비스들에서 사용되고 있습니다.
netflix, amazon, google, youtube 와 같은 다양한 서비스들은 사용자들의 취향을 분석하여 좋아할만한 콘텐츠를 추가적으로 제공해줍니다.
데이터들은 사용자들로 하여금 새로운 상품을 구입할 수 있게 유도할 수 있고, 기업은 추가적인 이익을 얻을 수 있습니다.
추천 시스템을 사용하는 대표적인 기업들
이러한 추천 시스템들의 종류에는 여러 가지가 있습니다.
어떤 종류의 추천 시스템들이 있는지 알아보도록 하겠습니다.
협업 필터링 추천 시스템
두 명의 사용자가 비슷한 관심사를 가지고 있다면, 한 사용자의 데이터를 바탕으로 다른 사용자에게 추천해주는 방식입니다.
사용자 간의 선호도를 서로 고려하여 많은 선택 사항들로부터 아이템을 걸러내거나 선택합니다.
콘텐츠 기반 추천 시스템
아이템들과 사용자들 간의 유사도를 고려해서 사용자에게 아이템을 추천합니다.
사용자가 과거에 좋아했던 아이템들과 비슷한 제품들을 추천합니다.
아이템간의 유사도는 다른 짝지어진 아이템들과 관련된 특징들을 통하여 계산되고 사용자들의 선호 이력에 맞게 적용합니다.
ex) 사용자가 떡볶이를 시켜 먹었다고 가정하면, 시스템에서 떡볶이와 관련된 특징(분식, 매운 음식)을 토대로 관련된 특징을 가진 다른 음식을 추천하도록 학습합니다.
지식 기반 추천 시스템
사용자들의 구매 이력이 적은 경우에 사용합니다.
아이템을 추천하기 전에 아이템의 특징과 명시적인 질문을 통해 획득한 사용자 선호도와 추천 범위 등 아이템들에 대한 정보를 고려하여 추천해줍니다.
ex) 배달 음식 어플을 처음 사용하면 좋아하는 음식의 종류(한식, 분식 ...), 가격대, 맛(매운, 단짠단짠 ...) 와 같은 다양한 데이터를 받아서 추천합니다.
하이브리드 시스템
위에서 언급한 다양한 추천 시스템의 결합해서 만듭니다.
한 서비스의 단점을 다른 서비스의 장점으로 커버합니다.
ex) 새로운 아이템에 대한 평점이 없으면 추천 성능이 떨어지게 되는 협업 필터링과 아이템의 특징에 대한 정보를 이용할 수 있는 정보 기반 추천 시스템을 결합
추천 시스템은 콘텐츠가 존재하는 곳에서는 쓰일 곳이 너무나도 많은 시스템입니다.
디테일한 내용을 학습한 후, 향후에 간단한 서비스들을 만들어 볼 계획입니다.
- 참고도서 : R로 만드는 추천 시스템