[paper review] Recommender system

date

Jun 6, 2023

slug

recommender-system

author

status

Public

Recommender System

추천 시스템은 전자 상거래, 온라인 뉴스 및 소셜 미디어 사이트를 포함한 많은 온라인 서비스에 널리 채택되어 기호에 맞는 상품을 제공하고 있음.

제품에 대한 사용자의 패턴을 분석하여 개인화된 추천을 제공함.

strategies for Recommender System

추천 시스템에는 크게 두가지 방법이 존재함.

컨텐츠 기반 필터링(content-based)

컨텐츠 기반 추천 시스템은 각각의 유저, 아이템에 대한 Profile을 생성함.

e.g.)영화에 관한 아이템 Profile에는 장르, 참여한 배우, 인기도, 등의 속성 포함.

e.g.)유저의 Profile에는 인구통계적 정보 혹은 설문조사에 대한 답변정도 등이 포함.

생성된 유저별 Profile을 통해 과거에 접한 아이템 중 유저가 선호하였던 아이템과 유사한 아이템을 추천.

e.g.) "유저 A가 아이템 1을 좋아하니, 아이템 1과 비슷한 아이템 2를 추천"

컨텐츠 기반 필터링의 장,단점

장점 : 컨텐츠 기반 추천 시스템은 다른 유저의 데이터가 필요하지 않음. 추천에 대한 설명력이 있음.

단점 : Profile을 구성하기 위한 explicit feature를 찾기 어려움. profile을 작성하지 못한 새로운 유저에 대한 추천이 어려움. 충분히 구매이력이 쌓인 상황에서는 상대적으로 협업 필터링에 비해 부족한 성능.

컨텐츠 기반 필터링 방법

아이템이 유사한지 확인하려면 아이템의 비슷한 정도(유사도, similarity)를 수치로 계산할 수 있어야함.

유사도 계산을 위해서 일반적으로 아이템을 벡터 형태로 표현하고 이들 벡터 간의 유사도 계산 방법을 많이 활용. —> 벡터 유사도 비교(cosine sim, pearson corr)

텍스트 :One-hot, tf-idf, word2vec, attention 기반 언어모델 등 다양한 임베딩 방법을 상황에 맞게.

이미지 :Bottleneck feature(Classifer 이전 feature, penultimate layer)

컨텐츠 기반 필터링 사례 - 카카오 웹툰

카카오웹툰의 연관 작품 추천 영역.

카카오 웹툰 UI에서, 사용자는 좌우로 추천 리스트를 스와이프 해 다른 작품을 탐색하고 열람할 수 있음.

여기에 제공되는 추천에 콘텐츠 기반 필터링이 사용되고 있음.

새로운 작품이 추가될 시, 아래와 같은 과정을 실시간으로 수행.

컨텐츠 프로파일 생성

임베딩

작품 줄거리 텍스트 데이터를 바탕으로 작품 텍스트 임베딩을 생성. 사전학습 한국어 임베딩 모델을 사용.

사전학습 시켜 둔 이미지 모델을 사용해 작품 대표 이미지의 임베딩을 생성.

카카오브레인에서 개발한 웹툰 그림체 추출 모델을 사용해 작품 대표 이미지의 그림체 임베딩을 생성.

컨텐츠 기반 추천

생성된 임베딩 + 컨텐츠 프로파일을 사용하여 사용자에게 적합한 아이템(웹툰)을 추천함.

최종적으로 선정한 유사 작품들을 멀티암드 밴딧(multi-armed bandit) 알고리즘을 통해 사용자가 추천받은 작품을 열람할 확률을 최대로 만들 수 있도록 순서를 조정해 사용자에게 노출시킴.

협업 필터링(Collaborative Filtering)

협업 필터링(Collaborative Filtering)은 profile을 따로 만들 필요 없이, 평점과 방문기록 등의 아이템, 유저의 과거 상호관계(interaction)에 기반하여 추천을 제공.

e.g.) "유저 A와 B가 아이템 1을 선호하면, 유저 A가 선호하는 다른 아이템 2를 유저 B에게 추천"

많은 사람의 의견을 통해 더 나은 추천을 하는 방법이라고 할 수 있음. 집단지성 !!

협업 필터링의 장,단점

협업필터링의 장, 단점은 컨텐츠 기반 시스템과 상반됨.

장점 : 유저에 대한 profile을 생성할 필요가 없음. Domain에 대한 지식이 상대적으로 덜 요구됨. 일반적으로 컨텐츠 기반 필터링에 비해 우수한 성능.

단점 : 상호관계에 대한 데이터가 부족할 시 협업이 불가능하여 새로운 유저, 아이템에 대한 추천이 어려움 —> "Cold-start problem"

협업 필터링 방법

협업필터링에서 가장 많이 사용되는 방법에는 neighborhood method와 Latent factor model이 있음.

neighbor method는 아이템 사이, 혹은 유저 사이의 관계를 계산하는데 초점.

동일한 유저에게 비슷한 평가를 받았다면 서로 해당하는 아이템들은 이웃이 됨.(item-oriented),

동일한 아이템에게 비슷한 평가를 내린 유저들은 서로 이웃이 됨(user-oriented).

대표적인 알고리즘으로는 우리가 잘 알고 있는 KNN이 있음.

e.g) Joe가 좋아하는 영화(스타워즈)를 좋아한 유저들이 좋아한 영화(스파이더 맨)를 Joe에게 다시 추천. <그림>

Latent factor model은 user의 item 상호관계 패턴(rating, 구매여부)에서 추출된 20~100개에 해당하는 Latent factor(차원, 축)를 이용하여 유저와 아이템을 함께 특성화 하는 방법.

각각의 학습된 factor 중에는 코메디 vs 드라마 와 같이 분명한 특성 대비를 보여주는 factor가 존재할 수 도 있으며, 캐릭터의 깊이 혹은 기발함과 같이 분명하지 않은 특징을 표현하는 factor 또한 존재할 수 있음.

Matrix Factorization은 가장 대표적인 Latent factor model임.

e.g.) 2개의 Factor(2차원)를 이용하여 user와 item을 동일한 공간에 표현.

협업 필터링 사례 - Netflix

<그림>은 Netflix의 유저 - 프로그램 rating data를 Matrix factorization하여 프로그램 벡터를 시각화한 결과.

netflix prize competition에서 우수한 성능을 보였음.