Skip to content

Recommender system

추천 시스템(推薦system)은 정보 필터링 (IF) 기술의 일종으로, 특정 사용자가 관심을 가질만한 정보 (영화, 음악, 책, 뉴스, 이미지, 웹 페이지 등)를 추천하는 것이다. 추천 시스템에는 협업 필터링 기법을 주로 사용한다. 소셜 북마크 사이트에서 링크를 사람들에게 추천하고 무비렌즈 데이터 세트에서 영화를 추천하는 방법등이 이에 속한다.

Categories

Projects

  • starreco stands for State-of-The-Art Review Recommendation System
  • Gorse - 추천 시스템 오픈소스

Hierarchy

Recommender_system_-_hierarchy.png

Other Recommemder System

  • Context-based Recommendation
    • Context-aware Recommendaton System
    • Location-based Recommendaton System
    • Real-time or Time-Sensitive Recommendation System
  • Community-based Recommendation
    • 사용자의 친구 또는 속한 커뮤니티의 선호도를 바탕으로 추천
    • SNS 등의 뉴스피드 또는 SNS 네트워크 데이터 등 활용
  • Knowledge-based Recommendation
    • 특정 도메인 지식을 바탕으로 아이템의 Features를 활용한 추천
    • Case-based Recommendation : 사용자의 니즈(현재 문제 등)와 해결책 중 가장 적합한 것을 골라서 추천
    • Constraint-based Recommendation : 사용자에게 추천할 때, 정해진 규칙을 바탕으로 추천

Content-based filtering vs Collaborative filtering

Content-based filtering

장점

  • 첫번재 평가자에 대한 딜레마 없음 (Cold-start dilemma X)
  • 다른 사용자의 도움 없이 적절한 추천 받음 (User liberty)
  • 새로운 아이템에 대한 추천을 위해 해당 아이템을 rating할 필요가 없음
  • Scarcity 영향 없음
  • 사용자의 프로필 변경 및 업데이트를 모니터링하여 많은 사용자의 관심도나 관심도 변화 문제를 해결하는 데 실용적이다.
  • 더 적은 데이터로 동작

단점

  • 제한된 콘텐츠 분석
  • Overspecialization (시스템은 사용자 프로필에 대해 높은 점수를 받은 항목만 추천할 수 있음. 사용자는 이미 평가된 항목과 유사한 항목으로 추천)
  • 너무 다르거나 비슷한 아이템을 설명할 수 없음.
  • 복잡한 관계를 해석할 수 없음
  • 계산 비용이 많이 듦
  • 동의어 또는 동음이의어 때문에 위기에 직면
  • 일부 유형의 아이템 콘텐츠는 분석하기 쉽지 않음
  • 사용자는 자신의 과거 경험과 유사한 항목만 받을 수 있음 (사용자를 놀라게 할 수 없음)

Collaborative filtering

장점

  • 콘텐츠 정보가 필요로 하지 않음
  • 사용자는 이전에 연락한 적이 없지만 관심이 있는 항목을 받을 수 있음(사용자를 놀라게 할 수 있음)
  • 다른 사용자의 점수는 시스템에 변경 사항이 포함되어 있기 때문에, deterministic 결과로 사용하진 않음 (시간이 지남에 따라 향상된 Adaptive Quality)

단점

  • Rating 데이터 필요
  • Sparse 데이터로 추천할 수 없음
  • 확장성 문제
  • Cold-start dilemma (신규 사용자(커뮤니티) 및 신규 아이템 문제)
  • 엄청나게 많은 아이템 세트와 적은 수의 사용자로 인해 성능이 저하됨
  • 품질은 대량의 데이터 수집에 달려 있음
  • 취향이 특이한 유저에게 추천하기 어렵다
  • 선호도가 변하거나 포함된 사용자를 클러스터링하고 분류하는 것은 어려움

Deep learning based

추천 시스템에서의 딥러닝 모델 장점

  • Non-Linear Transformation
    • 복잡한 User-Item의 상호작용 패턴을 파악할 수 있음
    • 기존의 Matrix Factorization 모델의 경우 선형 모델이므로, 표현력을 학습하는데 제약
  • Representation Learning
    • Input data의 특징을 효과적으로 학습
    • Hand-Craft Feature Design을 줄일 수 있음 → Feature Engineering 비용 감소
    • 이미지 및 텍스트와 같은 비정형 데이터를 효과적으로 다룰 수 있음
  • Sequence Modeling
    • Sequence 한 특성의 데이터(User의 행동, Item의 변경)에서도 효과적으로 작동 → 다음에 구매 가능한 Item 추천 가능
  • Flexibility
    • Keras, Tensorflow, Pytorch와 같은 다양하고 편리한 Framework를 가지고 있음

추천 시스템에서의 딥러닝 모델 단점

  • Interpretability
    • 딥러닝 모델의 예측 결과를 해석하기 어려움 (Black-Box 모델)
    • 현재, Atttention model을 통해, 해석 가능성을 열었음
  • Data Requirement
    • 딥러닝 모델을 학습하기 위해서는 많은 양의 데이터가 필요
    • 이미지 및 텍스트 데이터를 수집하는 것보다, 추천 시스템에서의 Labeled 된 데이터를 수집하는 것이 용이
  • Extensive Hyper-parameter Tuning
    • 매우 많은 수의 Hyper-Parameter
    • 머신러닝의 전반적인 한계점
    • 단일 Hyper-Parameter를 사용할 수 있는 연구가 진행되고 있음

Models

딥러닝 관련:

  • MF - Matrix Factorization
  • GMF - Generalized Matrix Factorization
  • MLP - Multilayer Perceptrons
  • NeuMF - Neural Matrix Factorization
  • FM - Factorization Machine
  • NeuFM - Neural Factorization Machine
  • WDL - Wide & Deep Learning
  • DeepFM - Deep Factorization Machine
  • xDeepFM - Extreme Deep Factorization Machine
  • FGCNN - Feature Generation by using Convolutional Neural Network
  • ONCF - Outer-based Product Neural Collaborative Filtering
  • CNNDCF - Convolutional Neural Network based Deep Colloborative Filtering
  • ConvMF - Convolutional Matrix Factorization
  • AutoRec - AutoRec
  • DeepRec - DeepRec
  • CFN - Collaborative Filtering Network
  • CDAE - Collaborative Denoising AutoEncoder
  • CCAE - Collaborative Convolutional AutoEncoder
  • SDAECF - Stacked Denoising AutoEncoder for Collaborative Filtering
  • mDACF - marginalized Denoising AutoEncoder Collaborative Filtering
  • GMF++ - Generalized Matrix Factorization ++
  • MLP++ - Multilayer Perceptrons ++
  • NeuMF++ - Neural Matrix Factorization ++
  • Graph-based Recommendation
    • NGCF
  • Session-based Recommendation
    • NARM
    • BERT4Rec
  • Graph
    • Gprah Laplacian
    • DGCNN (Graph classification)
    • Link Prediction Based on Graph Neural Networks

See also

Favorite site

  • Recommender system - Wikipedia
  • (추천시스템) 추천시스템 A to Z : 추천 알고리즘의 종류
  • 7 Types of Hybrid Recommendation System | by Jeffery chiang | Analytics Vidhya | Medium
  • 딥러닝 관련 추천 모델 - Survey(2019)
  • (RecSys) Modern Recommendation Systems with Neural Networks
  • 추천시스템 기술 포스팅 20선 | GeekNews
    • 멜론에서 음악 추천을 어떻게 할까? - 전재호 (카카오 추천팀)
    • LINE Timeline의 새로운 도전 1편 – 추천 컨텐츠 탐색을 위한 Discover와 새로운 구독 모델 Follow - 이경복 (라인)
    • 네이버 급상승검색어에 AI 기술 ‘RIYO’가 적용되어 검색어 차트가 사용자 선택에 따라 개인 별로 차별화됩니다 - 네이버 다이어리 블로그
    • 브런치 추천의 힘에 대한 6가지 기술(記述) - 최규민 (카카오 추천팀)
    • 딥러닝 추천 시스템 in production - 전무익 (당근마켓)
    • 딥러닝 개인화 추천 - 전무익 (당근마켓)
    • AiTEMS가 추천하는 ‘함께 볼만한 영화 추천 서비스’가 오픈됩니다. - 네이버 검색 블로그
    • ‘함께 볼 만한’ 상품도 맞춤형으로, 스타일 토픽 기반 쇼핑 추천 (AiTEMS)을 소개합니다. - 네이버 검색 블로그
    • 번개장터 추천 시스템 개발 및 도입후기 Part3 - 이명휘 (번개장터)
    • 번개장터 추천 시스템 개발 및 도입후기 Part2 - 이명휘 (번개장터)
    • 번개장터 추천 시스템 개발 및 도입후기 Part1 - 이명휘 (번개장터)
    • [네이버가 연구하는 기술] AI기반 장소 추천 시스템 AiRSPACE(에어스페이스) - 네이버 검색 블로그
    • CIKM2017에서 발표한 네이버의 자동 뉴스 추천 기술 - 정후중 (네이버 검색), 박근찬 (네이버 AiRS)
    • 카카오I 추천 엔진의 진화 - 성인재 (카카오 추천팀)
    • 쇼핑을 자주 하지 않는 이용자도, 신규 판매자도 만족스러운 쇼핑 플랫폼을 만드는 에이아이템즈(AiTEMS)의 기술 - 이정태 (네이버 Personal Shopper), 박병선 (네이버 커뮤니케이션그룹)
    • 취향저격 잇템 찾아주는 딥러닝 기반 개인화 상품 추천 시스템 ‘에이아이템즈 (AiTEMS) - 이정태 (네이버 Personal Shopper), 박병선 (네이버 커뮤니케이션그룹)
    • 내 손안의 AI 비서, 추천 알고리듬 - 전상혁, 김광섭 (카카오 추천팀)
    • 카카오 뉴스 추천 AI 알고리듬 '루빅스'의 비밀 - 카카오 정책산업 연구 브런치
    • 인공지능 기반 추천 시스템 AiRS를 소개합니다 - 네이버 다이어리 블로그
    • 루빅스(RUBICS) – kakao의 실시간 추천 시스템 - 서상원 (카카오 추천팀)

Y.LAB 의 Recommender System/추천 시스템 Tutorials