0222 사내세미나 이연권_추천시스템

1. 2022.02.22 서비스 개발팀 이연권
개인화 추천 시스템

2. 목차
- 추천시스템의 종류
- 적용 예제

3. 추천 시스템의 종류

4. 영화 A 영화 B 영화 C
평점 평균: 3.4 평점 평균: 3.7 평점 평균: 4.1
추천
베스트 셀러

5. 문제점
- 평가 데이터가 부족할 경우 부족한 평가데이터에 결과가 큰 영향을 받
는다.
- 사용자나 아이템 자체의 경향이나 특성이 반영되지 않는다.

6. 내용 기반 필터링
Like
추천!

7. 단점
장점
- 유저의 선호도 정보 없이, 아이템 정보만으로 추천이 가능
- 아이템을 설명할 수 있는 데이터(meta data) 구축을 필요로 함

8. 협업 필터링
Like
Like
Like
Like
Like
추천!

9. Movie1 Movie2 Movie3 Movie4 Movie5
User1과의
유사도
User1 2 5 3 1 (자기자신)
User2 4 4 3 5 1 0.19
User3 1 5 4 5 0.89
User4 3 5 3 2 5 0.94
User5 4 5 3 4 0.65

10. Collaborative Filtering
• 모든 사용자 간 평가의 유사도 계산 (코사인 유사도)
• 추천 대상과 다른 사용자간 유사도 추출
• 추천 대상이 평가하지 않은 아이템에 대한 예상 평가값 계산
• 아이템 중에서 예상 평가값 가장 높은 N개 추천

11. 콜드 스타트 문제 (Cold start)
새로운 아이템이나 사용자가 추가 되었을 때 이력 정보 X
모든 유저들이 모든 아이템에 대해 평가하지 않는다.
희소성 문제 (Sparsity)
아무도 평가하지 않은 아이템은 추천할 수 없다.
초기 평가자 문제 (No first-rater)

12. 적용 예제

13. 대상 데이터
MovieLens 100K Dataset
- 1000명의 유저(u.user), 1700개 영화(u.item)에 대한 100,000개의 평점(u.data)
정보
- 주요 메타 데이터
* movie_id: 영화 고유 식별자
* movie_title: 영화 제목
* movie_genres: 영화가 속한 장르의 시퀀스
* user_id: 평가를 한 유저의 고유 식별자
* user_rating: 별 5개 척도에서의 평가 점수
* user_gender: 등급을 부여한 성별

14. 평가
훈련 데이터와 평가 데이터를 나누어 훈련 후 평가 데이터와 비교하여 오
차 측정

15. RMSE
• 각 아이템의 예상 평점과 실제 평점의 차이

16. 감사합니다

17. • https://velog.io/@ganta/%EC%B6%94%EC%B2%9C%EC%8B%9C%EC
%8A%A4%ED%85%9C-%EA%B8%B0%EB%B3%B8
• https://towardsdatascience.com/movie-recommendation-system-based-
on-movielens-ef0df580cd0e
• https://yeomko.tistory.com/3
• https://www.inflearn.com/course/%ED%8C%8C%EC%9D%B4%EC%8D%
AC-%EA%B0%9C%EC%9D%B8%ED%99%94-
%EC%B6%94%EC%B2%9C%EC%8B%9C%EC%8A%A4%ED%85%9C
참고