[데이터분석] 협업 필터링 (Collaborative Filtering)

추천 알고리즘 종류

1. 협업 필터링 (Collaborative Filtering)
   • Memory-based Approach
     - User-based Filtering
     - Item-based Filtering
   • Model-based Approach
     - Matrix Factorization
2. 콘텐츠 기반 필터링 (Contents-based Filtering)

 

정의

• 유저-아이템 간 상호작용 데이터를 활용하는 방법
  - ex) 이 영화를 좋아하는 다른 사람이 좋아하는 영화
• 콘텐츠 기반 필터링과 비교
  - 정의 : 콘텐츠 특성을 기반으로 추천하는 방법
  - ex) 내가 좋아하는 감동, 장르 등을 활용

 

특징

• 장점
  • 일반적으로 Content-based보다 성능이 좋음
  • 도메인에 의존되지 않음
  • 쉽게(학습없이, 산술연산으로) 만들 수 있음
• 단점
  • Cold start
    - 새로운 유저/아이템에 대한 데이터가 적으면(sparce) 추천이 어려움
    - [대안] Random, Association Rule

 

종류

User-based Filtering

• 유사한 사용자가 좋아하는 아이템을 추천
  - 유저간의 유사도를 측정
  - 유사도가 높은 유저가 선호하는 아이템을 추천
• 당신과 비슷한 사용자 "A"가 "B" 아이템을 좋아함

 

Item-based Filtering

• 아이템을 선택한 사용자들이 공통으로 좋아하는 다른 아이템을 추천
  - 특정 아이템을 좋아한 사용자들을 찾음
  - 이 사용자들이 공통으로 좋아하는 다른 아이템을 찾음
• 이 아이템을 좋아하는 사용자들이 "B" 아이템을 좋아함

 

Matrix Factorization

https://yeomko.tistory.com/5

• 유저-아이템의 매트릭스에 비어있는(sparce) 요소를 채우는 기술
• 잠재적 특성인 Latent vector를 활용하여 Rating Matrix를 분해하고 내적값으로 추천하는 방식
  - Rating Matrix : User x Item의 행렬
  - Nf : Latent vector의 차원
  - X : user latent factor matrix
  - Y : item latent factor matrix
• SVD, KNN, Deep Learning 등을 활용

 

 

https://kmhana.tistory.com/31

추천 시스템 기본 - 협업 필터링(Collaborative Filtering) - ①

https://data-matzip.tistory.com/entry/Collaborative-FilteringCF-%ED%98%91%EC%97%85%ED%95%84%ED%84%B0%EB%A7%811-%ED%8A%B9%EC%A7%95-%EA%B0%9C%EB%85%90-%EC%88%98%EC%A0%95%ED%95%84%EC%9A%94

Collaborative Filtering(CF: 협업필터링)1: 개요

https://tech.kakao.com/2021/10/18/collaborative-filtering/

카카오 AI추천 : 협업 필터링 모델 선택 시의 기준에 대하여

https://kmhana.tistory.com/32

추천 시스템 기본 - 협업 필터링(Collaborative Filtering) - ②

https://blog.naver.com/PostView.naver?blogId=shino1025&logNo=222394488801 

[추천 시스템] Matrix factorization

https://yeomko.tistory.com/5

갈아먹는 추천 알고리즘 [3] Matrix Factorization