추천 알고리즘

[#1]

사용자에게 맞춤형 정보를 제공하기 위해 사용자의 선호도나 데이터를 분석하여 개인화된 추천을 제공하는 알고리즘으로 다양한 분야에서 사용자가 관심을 가질 만한 항목을 예측하고 제안하는데 활용됩니다.

■ 고전적인 추천 알고리즘

고전적인 추천 알고리즘은 다음과 같습니다.

1) Demographic Filtering

• 인구통계기반 필터링으로 연령, 나이, 직업과 같은 정보로 추천

• 연령, 성별, 직업, 위치 등을 활용하여 통계학적 특성이 유사한 사용자는 선호도와 관심사가 비슷할 가능성이 높다라고 가정합니다.

• 고정관념에 의한 추천시스템이라는 단점이 있으며 민감정보를 활용하는데 한계가 있을 수 있습니다.

2) Popularity Based

• 인기도 기반으로 추천

• 직관적인 추천방식으로 상품의 인기도를 가지고 추천합니다.

• 사용자별 정보를 활용하지 않고 선호도에 의존하기 때문에 구현이 쉽고 확장성이 뛰어납니다.

• 인기있는 상품에 대한 노출이 반복되기 때문에 다양성이 제한되어 사용자에게 다양성을 고려하지 않은 노출을 줄 수 있읍 (Filter Bubble)

3) Knowledge Based 지식기반 추천으로 전문가의 지식이나 유저의 입력에 기반한 추천

4) Rule-Based 규칙 기반 추천으로 사전에 정의된 규칙에 의해 추천을 제공한다.

■ Association Rule Mining(연관 규칙 추천)

 https://deeppatel23.medium.com/association-rule-mining-apriori-algorithm-f63508fc3260 

 

연관 규칙 추천은 "a를 사면 b도 산다."는 규칙을 찾는것으로 A priori 알고리즘을 적용해 규칙을 생성합니다.

전체 데이터 중 특정 데이터끼리 연결되는 방법으로 단순하지만 강력한 알고리즘입니다.

Market Basket Analysis, Affinity Analysis라고도 합니다.

* A를 사면: 조건절(antecedent)로 IF를 의미합니다.

* B를 산다.결과절(consequent)로 THEN을 의미합니다.

■ 규칙 생성 방법

1) Brute Force(무차별 탐색)

• 모든 경우의 수를 무차별적으로 대입해 전부 시도하는 방식으로 좋은 조합을 찾을 수 있습니다.

• 큰 연산량일 경우에는 연산이 불가능하다라는 단점이 있습니다.

2) A Priori

• 빈번하게 등장하는 아이템셋만 고려하는 방식

• 불필요한 조합을 배제함으로 연산을 크게 줄일 수 있습니다.