추천 관련 용어 정리

User-Based Recommendation

• 사용자 간의 유사성을 기반으로 추천을 제공하는 방법
• 주어진 사용자와 유사한 다른 사용자들의 행동 패턴을 분석하여 추천을 제공 → 사용자 기반 협업 필터링(User-Based Collaborative Filtering)의 한 형태

User representation learning

• 사용자의 특성과 행동을 나타내는 효과적인 표현을 학습하는 방법
• 사용자 표현 학습은 사용자의 특성을 숫자로 나타내는 방법을 학습하는 과정을 포함
• 예를 들어,
  • 소셜 미디어 플랫폼에서는 사용자 표현 학습을 통해 사용자의 관심사를 이해하고, 그에 맞는 콘텐츠를 제안할 수 있습니다.
  • 또는 전자상거래 플랫폼에서는 사용자의 이전 구매 기록과 행동 패턴을 학습하여 적절한 제품을 추천할 수 있습니다.

Collaborative Filtering (협업 필터링)

• 협업 : 사용자 간의 협업
• 사용자들의 행동이나 선호도를 바탕으로 항목(아이템)들 간의 유사성을 계산하여 사용자에게 맞춤형 추천을 제공
• 주로 사용자-항목 행렬을 기반으로 작동합니다. 이 행렬은 사용자와 항목 간의 상호 작용을 표현하며, 보통은 평가 점수나 구매 이력과 같은 값으로 채워집니다.

사용자 기반 협업 필터링(User-Based Collaborative Filtering)

• 사용자 간의 유사성을 계산하여 해당 사용자와 유사한 다른 사용자가 좋아하는 항목을 찾아 추천
• 예를 들어, 사용자 A와 사용자 B가 비슷한 취향을 가지고 있다면, 사용자 A가 좋아하는 항목을 사용자 B에게 추천할 수 있습니다.

항목 기반 협업 필터링(Item-Based Collaborative Filtering)

• 항목 간의 유사성을 계산하여 사용자가 이전에 평가한 항목과 유사한 항목을 추천합니다.
• 예를 들어, 사용자가 영화 A를 좋아했다면, 비슷한 다른 영화들을 추천할 수 있습니다.

Content-Based Filtering

• 콘텐츠 자체를 분석하여 관련 콘텐츠를 추천하는 방식
• 콘텐츠를 분석한 프로파일(item profile)과 사용자의 선호도(user profile)를 추출하고 유사성 분석을 통해 추천을 수행
• 클러스터링, 인공신경망, TF-IDF 등
• 장점
  • 새로운 항목에 대한 추천도 가능
  • 이전에 사용자가 평가하지 않은 항목에 대한 추천도 가능
  → 따라서 사용자에게 다양한 컨텐츠를 제공하는 데 도움이 됩니다.
• 아쉬운 점: 사용자 행동 패턴 반영 X
• ex) user가 힙합 노래 A를 들으면 힙합 노래 B를 추천

Matrix Factorization

• 특히 추천 시스템에서 널리 사용되며, 사용자(user)-항목(item) 행렬을 분해하여 숨겨진 특성을 추출하고 개인화된 추천을 제공하는 데 사용
• 주로 행렬의 저차원 표현을 찾아내기 위해 최적화 알고리즘을 사용
  • 원래의 다차원 데이터를 저차원의 특성 공간으로 압축하고, 중요한 패턴이나 구조를 추출 (저차원 특성 공간에서는 데이터가 더 쉽게 처리되고 분석될 수 있기 때문)

Feature Engineering

• 기계 학습 및 데이터 분석에서 사용되는 과정 중 하나
• 원시 데이터로부터 유용한 특성(feature)을 추출하거나 생성하는 과정
• 목표: 주어진 문제에 가장 적합한 특성을 만들어내는 것 → 모델이 데이터를 더 잘 이해하고, 더 정확한 예측을 할 수 있게 됩니다.

특성 선택(Feature Selection)

데이터에서 중요한 특성을 선택하고 불필요한 특성을 제거합니다. 이는 모델의 복잡성을 줄이고 과적합을 방지하는 데 도움이 됩니다.

특성 변환(Feature Transformation)

데이터를 새로운 형태로 변환하여 모델에 더 적합한 형태로 만듭니다. 이는 데이터의 분포를 변환하거나 스케일링하는 등의 작업을 포함할 수 있습니다.

새로운 특성 생성(Feature Creation)

기존의 특성을 조합하거나 변형하여 새로운 특성을 만들어냅니다. 이는 도메인 지식을 활용하여 진행되며, 데이터에 대한 이해와 통찰력이 필요합니다.

특성 추출(Feature Extraction)

원시 데이터에서 유용한 정보를 추출하여 새로운 특성을 만들어냅니다. 이는 이미지나 텍스트와 같은 비정형 데이터에서 주로 사용됩니다.

Ranking Model (순위 모델)

• 정보 검색, 추천 시스템, 랭킹 시스템 등에서 사용되는 모델
• 주어진 쿼리나 사용자에게 가장 관련성 높은 항목을 순서대로 나열하는 작업을 수행
• 주로 머신 러닝이나 통계적 기법을 사용하여 항목들의 순위를 결정합니다.
  • 딥러닝을 제외하고 머신러닝을 언급할 때, 통계적 기법을 가리키는 경우가 일반적
    • 통계적 기법
      • 데이터로부터 모델 파라미터를 추정하고 예측을 수행하는 데 사용
      • 데이터의 분포와 관련된 가정을 기반으로 하며, 데이터를 통해 확률적 모델을 구축하고 검증

Session-based Recommendation (세션 기반 추천)

• 사용자의 현재 세션 내에서 상호작용하는 아이템들을 기반으로 다음 아이템을 추천하는 추천 시스템의 한 유형
• 특징
  1. 실시간성: 세션 기반 추천은 사용자의 현재 세션 동안의 상호작용을 기반으로 실시간으로 추천을 제공합니다. 따라서 사용자의 관심사나 상황이 바뀔 때마다 추천 결과도 업데이트됩니다.
  2. 단기 기억 모델링: 세션 기반 추천은 사용자의 세션 동안의 상호작용을 기억하여 추천에 반영합니다. 일반적으로 사용자의 장기적인 관심사나 선호도보다는 현재 세션에서의 행동이 더 중요하게 다루어집니다.
  3. Sequential 패턴 고려: 세션 기반 추천은 사용자가 아이템을 순차적으로 탐색하고 상호작용하는 패턴을 고려합니다. 따라서 다음에 어떤 아이템을 추천할지를 결정할 때, 사용자가 세션 내에서 어떤 순서로 아이템을 탐색했는지를 고려합니다.
  4. 개인화: 세션 기반 추천은 개별 사용자의 세션 동안의 상호작용을 기반으로 추천을 제공하므로, 각 사용자에게 맞춤화된 추천을 제공할 수 있습니다.

Item-Based Recommendation (항목 기반 추천)

• 사용자가 이전에 상호작용한 항목들을 기반으로 다음에 추천할 항목을 결정하는 추천 시스템의 한 유형
• 이는 사용자의 이전 행동을 기반으로 각 항목들 간의 유사성을 측정하고, 이를 통해 사용자에게 관련성 높은 항목을 추천합니다.

Session-based Recommendation vs. Item-Based Recommendation

• 세션 기반 추천은 사용자의 현재 세션 동안의 상호작용을 기반으로 추천을 제공하는 반면, 항목 기반 추천은 사용자의 이전 상호작용을 기반으로 추천을 제공
• 세션 기반 추천은 기존의 사용자 기반 혹은 항목 기반 추천과는 다르게 동적이고 실시간성을 가지며, 사용자의 단기적인 관심사를 반영하여 추천을 제공
• 예시 : 음악 스트리밍 서비스
  • 세션 기반 추천:
    • 사용자가 음악 스트리밍 서비스에 로그인하여 현재 재생 중인 세션 동안 다양한 음악을 듣고 있습니다.
    • 세션 기반 추천 시스템은 사용자의 현재 세션 동안 들은 음악들을 기반으로 다음에 들을 수 있는 관련성 높은 음악을 추천합니다.
    • 예를 들어, 사용자가 록 음악을 듣는 중이라면, 다음에 비슷한 장르의 노래를 추천할 수 있습니다.
  • 항목 기반 추천:
    • 사용자가 이전에 음악 스트리밍 서비스에서 들었던 음악들에 기반하여 추천을 제공합니다.
    • 사용자의 이전 재생 기록을 기반으로, 사용자가 선호하는 음악의 장르나 아티스트를 파악하고, 이와 유사한 음악을 추천합니다.
    • 예를 들어, 사용자가 이전에 힙합 음악을 많이 들었다면, 항목 기반 추천 시스템은 유사한 힙합 음악을 추천할 수 있습니다.

출처: ChatGPT