[ML] Recommender System (추천시스템)

이번에는 Recommend System (추천시스템)에 데하여 알아보겠습니다.

 

추천 시스템은 사용자와 아이템 간의 관계를 분석하여 사용자에게 적합한 아이템을 추천하는 시스템입니다.

이러한 시스템은 다양한 데이터를 활용해 사용자에게 맞춤형 추천을 제공하며, 다양한 분야에서 널리 사용됩니다.

추천 시스템의 목적

https://www.nvidia.com/en-us/glossary/recommendation-system/

 

• 사용자 만족도 향상: 사용자가 선호할 만한 아이템을 추천하여 만족도를 높이고 사용자 경험을 개선합니다.
• 판매 증대: 적절한 제품 추천을 통해 구매를 촉진하고, 매출을 증대시킵니다.
• 사용자 참여 증대: 맞춤형 콘텐츠를 제공하여 사용자가 더 자주, 더 오래 서비스를 이용하도록 유도합니다.

---

추천 시스템의 종류

추천 시스템의 종류는 어떠한 종류들이 있을까요? 한번 알아보겠습니다. 3가지 종류가 있습니다. 자세히 한번 알아보겠습니다.

 

• 협업 필터링 (Collaborative Filtering)
• 콘텐츠 기반 필터링 (Content-Based Filtering)
• 하이브리드 방법 (Hybrid Methods)

---

협업 필터링 (Collaborative Filtering)

협업 필터링은 사용자 간의 유사성 또는 아이템 간의 유사성을 이용하여 추천을 수행하는 방법입니다.

협업 필터링은 크게 사용자 기반 협업 필터링과 아이템 기반 협업 필터링으로 나뉩니다.

https://medium.com/@ashmi_banerjee/understanding-collaborative-filtering-f1f496c673fd

협업 필터링의 원리

1. 사용자 기반 협업 필터링 (User-Based Collaborative Filtering)
   • 비슷한 취향을 가진 사용자들이 선호하는 아이템을 추천합니다. 예를 들어, A와 B가 비슷한 영화를 좋아한다면, A가 좋아하는 영화를 B에게 추천합니다.
2. 아이템 기반 협업 필터링 (Item-Based Collaborative Filtering)
   • 유사한 아이템을 선호하는 사용자들에게 그 아이템을 추천합니다. 예를 들어, A가 좋아하는 영화와 비슷한 영화를 A에게 추천합니다.

협업 필터링의 장점

• 개인화된 추천: 사용자의 과거 행동을 기반으로 추천하여 개인화된 경험을 제공합니다.
• 데이터 활용: 대규모 사용자 데이터를 활용하여 추천 정확도를 향상시킬 수 있습니다.

협업 필터링의 단점

• 콜드 스타트 문제: 신규 사용자나 신규 아이템에 대한 정보가 부족할 때 추천이 어렵습니다.
• 데이터 희소성 문제: 사용자-아이템 매트릭스가 희소할 때 추천의 정확도가 저하될 수 있습니다.

---

콘텐츠 기반 필터링 (Content-Based Filtering)

콘텐츠 기반 필터링은 아이템의 특징을 분석하여 사용자가 선호할 만한 유사한 아이템을 추천하는 방법입니다.

https://www.stratascratch.com/blog/step-by-step-guide-to-building-content-based-filtering/

콘텐츠 기반 필터링의 원리

1. 아이템 특징 추출
   • 각 아이템의 특징(예: 영화의 장르, 출연 배우, 감독 등)을 추출합니다.
2. 사용자 프로필 생성
   • 사용자가 선호하는 아이템의 특징을 기반으로 사용자 프로필을 생성합니다. 예를 들어, 사용자가 좋아하는 영화의 장르와 출연 배우를 분석하여 사용자 프로필을 만듭니다.
3. 유사한 아이템 추천
   • 사용자 프로필과 유사한 특징을 가진 아이템을 추천합니다. 예를 들어, 사용자가 좋아하는 장르의 영화를 추천합니다.

콘텐츠 기반 필터링의 장점

• 콜드 스타트 문제 해결: 사용자 또는 아이템의 특징만으로 추천이 가능합니다.
• 투명성: 왜 특정 아이템이 추천되었는지 설명하기 용이합니다.

콘텐츠 기반 필터링의 단점

• 특징 선택의 어려움: 적절한 특징을 선택하는 것이 어려울 수 있습니다.
• 다양성 부족: 사용자가 이미 알고 있는 유사한 아이템만 추천할 가능성이 있습니다.

---

하이브리드 방법 (Hybrid Methods)

하이브리드 방법은 협업 필터링과 콘텐츠 기반 필터링을 결합하여 추천 성능을 향상시키는 방법입니다.

https://www.analyticsvidhya.com/blog/2022/03/a-comprehensive-guide-on-recommendation-engines-and-implementation/

하이브리드 방법의 원리

1. 결합 방법
   • 협업 필터링과 콘텐츠 기반 필터링의 결과를 결합하여 최종 추천을 생성합니다. 예를 들어, 두 방법의 추천 결과를 가중 평균하여 결합할 수 있습니다.
2. 단계적 방법
   • 첫 번째 단계에서 협업 필터링을 사용하고, 두 번째 단계에서 콘텐츠 기반 필터링을 사용하여 추천을 개선합니다. 예를 들어, 협업 필터링으로 초기 후보를 선정한 후, 콘텐츠 기반 필터링으로 최종 추천을 합니다.

하이브리드 방법의 장점

• 성능 향상: 두 방법의 장점을 결합하여 추천 성능을 극대화할 수 있습니다.
• 유연성: 다양한 방법을 조합하여 최적의 추천 시스템을 구축할 수 있습니다.

하이브리드 방법의 단점

• 복잡성 증가: 여러 방법을 결합하여 시스템의 복잡성이 증가할 수 있습니다.
• 구현 어려움: 다양한 방법을 효과적으로 결합하기 위한 구현이 어려울 수 있습니다.

---

추천 시스템의 주요 구성 요소

1. 사용자-아이템 매트릭스
   • 사용자와 아이템 간의 상호작용(예: 평점, 클릭 등)을 기록한 매트릭스입니다. 예를 들어, 영화 평점 매트릭스가 이에 해당합니다.
2. 특징 벡터
   • 사용자와 아이템의 특징을 나타내는 벡터입니다. 예를 들어, 영화의 장르, 감독, 출연 배우 등이 특징 벡터로 표현될 수 있습니다.
3. 유사도 계산
   • 사용자 간 또는 아이템 간의 유사도를 계산하는 방법입니다. 예를 들어, 코사인 유사도(Cosine Similarity), 피어슨 상관계수(Pearson Correlation) 등이 사용됩니다.
4. 모델 학습 및 평가
   • 추천 모델을 학습시키고 성능을 평가하는 방법입니다. RMSE(Root Mean Squared Error), MAE(Mean Absolute Error), Precision, Recall 등 다양한 평가 방법이 존재합니다.

---

추천 시스템의 평가 방법

https://towardsdatascience.com/recommendation-systems-models-and-evaluation-84944a84fb8e

1. 정확도 (Accuracy)
   • 추천 시스템이 얼마나 정확하게 아이템을 추천하는지를 평가합니다. 예를 들어, Precision, Recall, F1 Score가 이에 해당합니다.
2. 다양성 (Diversity)
   • 추천된 아이템이 얼마나 다양한지를 평가합니다. 예를 들어, 사용자가 새로운 아이템을 추천받을 수 있는 능력이 이에 해당합니다.
3. 신뢰성 (Trustworthiness)
   • 추천된 아이템이 사용자에게 얼마나 신뢰성을 가지는지를 평가합니다. 추천된 아이템의 설명 가능성이 이에 포함됩니다.
4. 사용자 만족도 (User Satisfaction)
   • 추천 시스템을 사용한 후 사용자의 만족도를 평가합니다. 사용자 피드백이나 설문 조사가 이에 해당합니다.

---

Recommender System Example Code (협업 필터링)

# 필요한 라이브러리 임포트
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics.pairwise import cosine_similarity
import matplotlib.pyplot as plt

# 예제 사용자-아이템 매트릭스 생성
data = {
    'user_id': [1, 1, 1, 2, 2, 3, 3, 3, 4],
    'item_id': [1, 2, 3, 1, 3, 2, 3, 4, 4],
    'rating': [5, 4, 1, 4, 5, 2, 4, 5, 4]
}
df = pd.DataFrame(data)

# 사용자-아이템 매트릭스 생성
user_item_matrix = df.pivot_table(index='user_id', columns='item_id', values='rating').fillna(0)

# 코사인 유사도를 사용하여 사용자 유사도 계산
user_similarity = cosine_similarity(user_item_matrix)
user_similarity_df = pd.DataFrame(user_similarity, index=user_item_matrix.index, columns=user_item_matrix.index)

# 유사도 매트릭스 시각화
plt.figure(figsize=(10, 7))
sns.heatmap(user_similarity_df, annot=True, cmap='coolwarm')
plt.title('User Similarity Matrix')
plt.show()

# 추천 함수 정의
def recommend(user_id, user_item_matrix, user_similarity, k=2):
    # 유사한 사용자 선택
    similar_users = user_similarity[user_id - 1]
    similar_users_indices = similar_users.argsort()[-k-1:-1]

    # 유사한 사용자들의 아이템 평균 평점 계산
    similar_users_ratings = user_item_matrix.iloc[similar_users_indices]
    recommendations = similar_users_ratings.mean(axis=0)

    # 이미 평가한 아이템 제외
    user_rated_items = user_item_matrix.loc[user_id]
    recommendations = recommendations[user_rated_items == 0]

    return recommendations.sort_values(ascending=False)

# 사용자 1에게 아이템 추천
recommendations = recommend(1, user_item_matrix, user_similarity)
print("Recommendations for user 1:")
print(recommendations)

Recommendations for user 1:
item_id
4    2.5
dtype: float64