[Deep Learning] 추천 시스템(Recommender System)

1. 추천 시스템(Recommender System)

사용자 본인도 잘 몰랐던 취향이나 관심사를 발견하여 사용자에게 추천하는 시스템

Cold Start 문제 때문에 사용자로부터 정보를 직접 제공받아야 추천 시스템을 만들 수 있다.

추천 시스템에 사용되는 데이터

• 사용자가 어떤 상품을 구매했는가?
• 사용자가 어떤 상품을 둘러보았는가?
• 사용자가 어떤 상품을 장바구니에 넣었는가?
• 사용자가 상품에 어떤 평점을 부여했는가?
• 사용자가 가입 시 선택한 관심분야는 무엇인가?

2. 추천 시스템의 종류

Collaborative Filtering & Content-based Recommendation(생략)

Collaborative Filtering

사용자로부터 얻은 정보를 기반으로 예측하는 방법

• 사용자 행동양식(User Behavior) 데이터를 사용함
  • 사용자(User)가 아이템(Item)에 매긴 평점정보, 상품구매이력 등
• 최근접이웃(K-Nearest Neighbor) 방식과 잠재요인(Latent Factor) 방식이 있음
  • 두 방식 모두 ‘User-Item Matrix’ 사용

Matrix

(1) User-Item Matrix

• 축적된 ‘사용자 행동양식(User Behavior)’ 데이터 기반
• 사용자가 아직 평가하지 않은 아이템을 ‘예측 평가(Predicted Rating)’

	Item1	Item2	Item3	Item4
User1	4		3	PR
User2	5	3		4
User3		1	2	3

• User1과 User2의 ‘Item’에 대한 평점 유사도가 높음
• User1이 아직 구매하지 않은 Item4와 Item5를 추천(Predicted Rating)

(2) Item-User Matrix

	User1	User2	User3	User4	User5
Item1	5	4	5	5	5
Item2	5	4	4	PR	5
Item3	4	2	2		4

• Item1과 Item2의 평점 유사도가 높음
• User4가 아직 구매하지 않은 Item2를 추천(Predicted Rating)

1) KNN Collaborative Filtering식

User-Item Matrix와 Item-User Matrix를 활용하여 추천하는 방식

(1) User-Item Matrix를 활용하는 경우

• 사용자와 유사한 다른 사용자를 Top-N으로 선정
• Top-N 사용자가 좋아하는 아이템을 추천하는 방식
  • 특정 사용자와 다른 사용자 간의 유사도(Similarity)를 측정
  • 가장 유사도가 높은 Top-N 사용자를 추출
  • 그들이 선호하는 아이템을 사용자에게 추천

(2) Item-User Matrix를 활용하는 경우

• 사용자의 아이템에 대한 평가 결과가 유사한 아이템을 추천
• 행과 열이 사용자 기반 필터링과 반대
  • 아이템에 대한 평점 간 ‘유사도(Similarity)’ 측정
  • 평점 유사도가 높은 아이템를 추출
  • 그들이 선호하는 아이템을 사용자에게 추천

2) Latent Factor Filtering

User-Item Matrix를 사용하여 ‘잠재요인(Latent Factor)’을 추출하여 추천의 근거로 사용하는 방식

• ‘잠재요인’이 무엇인지 명확하게 정의할 수 없음
• User-Item Matrix를 ‘잠재요인’ 기반의 저차원 밀집행렬인 ‘사용자-잠재요인’과 ‘잠재요인-아이템’으로 행렬 분해(Matrix Factorization)
  • SVD(Singular Vector Decomposition)
  • NMF(Non-Negative Matrix Factorization)
• 이 두 행렬의 내적을 통해서 새로운 ‘사용자-아이템 평점’ 행렬 생성
• 사용자가 평점을 부여하지 않은 아이템에 대한 ‘예측평점’ 생성 가능

행렬 분해 방법

희소행렬(Sparse Matrix)을 저차원의 밀집행렬(Dense Matrix)로 분해하는 방법을 사용

• 확률적 경사하강(Stochastic Gradient Descent) 기반 행렬 분해
• P와 Q 행렬로 계산된 예측 R 행렬의 값이 실제 R 행렬의 값과 가장 최소의 오류를 가질 수 있도록 반복적으로 ‘Cost Function’ 최적화를 통해 P와 Q를 유추해내는 것

순서

1. 임의의 값을 갖는 P와 Q 행렬 초기화
2. P와 Q 행렬로 예측 R 행렬 계산 후 실제 R 행렬과 오차값 계산
3. 오차를 최소화 하도록 P와 Q 행렬의 값을 업데이트
4. 2단계와 3단계를 반복하며 P와 Q 행렬값을 학습
5. 행렬 분해가 완료된 P와 Q 행렬로 예측평점 행렬 생성

예시

(1) User-Item Matrix -> 희소행렬

	Item1	Item2	Item3	Item4	Item5
User1	5		4		5
User2				5	3
User3	4			2
User4		2			4

(2) User-‘Latent Factor’ Matrix -> 밀집행렬1

	Factor1	Factor2
User1	5	4
User2	5	3
User3	4	3
User4	3	2

(3) ‘Latent Factor’-Item Matrix -> 밀집행렬2

	Item1	Item2	Item3	Item4	Item5
Factor1	5	4	4	5	5
Factor2	5	3	4	5	3

(4) ‘예측 평점’ User-Item Matrix -> 최종 밀집행렬

	Item1	Item2	Item3	Item4	Item5
User1	5	4	4	5	5
User2	5	3	4	5	3
User3	4	3	3	2	5
User4	3	2	5	2	4