추천 시스템 (Recommender System)

(1) 정의

추천 시스템은 사용자에게 관심 가질만한 아이템을 자동으로 예측하고 추천하는 기술로, 영화, 음악, 상품, 뉴스 등의 서비스에서 광범위하게 활용되고 있다.

추천 시스템은 크게 "누구의 데이터를 활용하는가"에 따라 두 가지 축으로 나뉜다. 다른 사용자들의 행동(평점, 구매 이력 등)을 활용하는 협업 필터링(Collaborative Filtering)과, 아이템 자체의 속성(장르, 키워드 등)을 활용하는 내용 기반 필터링(Content-based Filtering)이 대표적이며, 두 방식을 결합한 하이브리드 방식도 널리 사용된다.

(2) 추천 방식

• 협업 필터링: 다른 사용자들의 선호 데이터를 기반으로 유사 사용자에게서 추천
• 내용 기반 필터링: 사용자가 선호한 아이템의 속성과 유사한 항목 추천
• 하이브리드 방식: 협업 및 내용 기반 방식의 장점을 결합하여 정확도 향상

2.1 협업 필터링(Collaborative Filtering)

협업 필터링은 사용자-아이템 간의 상호작용 데이터(평점, 클릭, 구매 이력 등)만을 이용해 추천하는 방식으로, 아이템 자체의 속성을 몰라도 추천이 가능하다는 것이 특징이다. 기준에 따라 다음 두 가지로 나뉜다.

• 사용자 기반(User-based) 협업 필터링: 나와 취향(성향)이 비슷한 다른 사용자들의 선호 데이터를 참고하여, 그 사용자들이 좋아한 아이템을 추천하는 방식이다.
• 아이템 기반(Item-based) 협업 필터링: 사용자가 이전에 구매(또는 선호)한 아이템을 기준으로, 그 아이템과 유사한 평가 패턴을 보인 다른 아이템을 추천하는 방식이다.

2.2 내용 기반 필터링(Content-based Filtering)

내용 기반 필터링은 아이템 자체의 속성(장르, 키워드, 배우, 태그 등)과 사용자가 과거에 선호했던 아이템의 속성을 비교하여, 유사한 속성을 가진 아이템을 추천하는 방식이다. 구현 방식에 따라 다음 두 가지로 구분할 수 있다.

• 메모리 기반(Memory-based) 방법: 아이템 속성 간의 유사도(코사인 유사도 등)를 직접 계산하여, 사용자가 선호한 아이템과 가장 유사한 아이템을 찾아 추천하는 방식이다.
• 모델 기반(Model-based) 방법: 아이템 속성과 사용자 선호도 데이터를 학습해 예측 모델을 구축하고, 이 모델을 이용해 사용자가 좋아할 만한 아이템의 점수를 예측하는 방식이다.

2.3 하이브리드 방식

하이브리드 방식은 협업 필터링과 내용 기반 필터링을 함께 사용하여 각 방식의 단점(협업 필터링의 콜드 스타트, 내용 기반의 다양성 부족 등)을 서로 보완하고 추천 정확도를 높이는 방법이다.

(3) 추천 시스템의 한계

콜드 스타트(Cold Start) 문제는 신규 사용자나 신규 아이템처럼 과거 이용 이력(평점, 구매 기록 등)이 없는 대상에 대해 유사도를 계산할 수 없어 추천이 어려워지는 문제로, 협업 필터링(사용자 기반·아이템 기반 추천)의 대표적인 한계이다. 반면 내용 기반 추천은 아이템 자체의 속성만으로 추천할 수 있어 콜드 스타트 문제에서 상대적으로 자유롭다.

(4) 확인 문제