추천시스템 | 비즈니스 적용사례 | 추천시스템의 어려움들 | 추천시스템 파이프라인

추천 시스템이란?

유저와 아이템의 주변 정보와 상호작용 기록을 바탕으로 유저가 선호할 아이템을 예측하여 유저의 의사결정을 돕는 인공지능 서비스

 

추천의 중요성

- 연관 정보를 filtering 함으로써 information overload로부터 도움

- 유저의 리텐션을 확보해서 직간접적인 기업 수익 창출에 기여

 

비즈니스 적용사례

1. 이커머스

 

유저 기록을 기반으로 다음에 구매할 상품을 추천.

매출 향상, 서비스에 lock-in하는 효과

 

2. 컨텐츠 추천

넷플릭스 멜론 네이버 웹툰 등등 다양한 종류의 콘텐츠

각 서비스의 특성에 따라서 활용해야하는 데이터와 추천 접근법이 달라짐.

 

 

추천시스템의 어려움

1) 확장가능성

- 기존의 서비스에서 독립적일 수가 없기때문에 한계가 있음.

- 서비스가 커짐에 따라서 추천 시스템이 소화해야하는 데이터가 많아짐-> 고려해야할 점이 많아짐

 

2) 도메인 종속성

데이터 타입 / 아이템과 유저관계 등등 

추천 아이템의 특징과 도메인 특성에 따라 적용되는 알고리즘, 시스템 구조가 적절히 고안되어야함.

 

3) 비즈니스 목표의 다양성

비즈니스 종속성이 크기때문에 목표를 잘 잡고 진행해야한다는 것이 중요함.

여러 비즈니스 목표가 충돌하는 경우가 발생함.

 

4) cold-start problem

신규 아이템 , 신규 유저 상호작용이 없을 경우 추천 알고리즘의 추론이 정확하게 작동하지 않음.

많은 방법론이 이 문제 해결을 위해 고안됨

sparsity -> 데이터가 sparse하게 존재함

long tail -> 대다수의 유저 혹은 상품이 interaction을 거의 갖지 못함.

 

추천시스템 파이프라인

추려내고, 순위 매기고, 재정렬하고!

 

- 후보생성 : 무수히 많은 상품 중에 그나마 관련있을 것 같은 후보 추리기

- 순위 매기기 : 유저와 아이템 사이에 연관성 점수를 정밀하고 복잡하게 매김

- 재정렬 : 순위를 매긴 유저 - 아이템 쌍 중에 유저와 무관하거나 비즈니스 목적에 맞지 않는 아이템 제거