패스트캠퍼스 환급챌린지 2일차 미션 (2월 2일) : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기

강의 내용 Review

---

📍배운내용📍

• 추천시스템 정의

👉강의내용👈

추천시스템

• 컨텐츠 추천 :  뉴스, 즐겨보는 컨텐츠
• poi추천: 다음 방문할 장소
• 추천시스템의 어려움
• 확장가능성: 서비스의 한 파이프라인으로 적용됨, 서비스 특성과 자원 상의 제약
• 도메인 종속성 : 서비스 도메인에 따라 추천 대상이 되는 아이템특성이 다름, 데이터 타입, 아이템과 유저 관계, 일일히 분석을해야함
• 비즈니스 목표의 다양성:  비즈니스 종속성이 큰 추천 시스템 특성으로 볼때 다양한 비즈니스 목표 존재, 여러 비즈니스 목표가 충돌하기도함, ml모델이 최적화
• 콜드 스타트 문제 : sparsity - 데이터가 sparse하게 존재함, 서비스 내에 아이템 수는 대게 한 유저가 소비할수 있는 양을 훨씬 뛰어 넘음
• 노 클리어 그라운드 트루스 : 유저의 선호도는 주관적이고 동적임
• 유저 스스로 선호를 붊분명하게 인지함, 모델의 바이어스
• 추천 시스템 파이프 라인 : 추려 내고, 순위 매기고, 재정렬
• 후보생성: 무수히 많은 전체 상품중에 관련이 있을 것으로 예상되는 후보군 추림
• 순위 매기기 : 추려낸 후보군중에 유저와 아이템의 연관성 점수를 상대적으로 더 정밀하고 복잡한 모델로 매김
• 재정렬:순위를 매긴 유저 아이템 쌍 중에 유저와 무관하거나 비즈니스 목적에 맞지 않는 아이템 제거
• 추천 시스템은 유저와 아이텀 주변 정보와 상호작용 기록을 바탕으로 유저가 선호할 아이템 에측 및 의사결정을 도움
• 연관정보를 필터랑 함으로 정보 오버로드로부터 도움 됨
• 커머스/컨텐츠/POI등의 어플리케이션에서 널리 사요됨
• 유저의 리텐션을 얻어 기업의 직간접적인 수익 창출에 기여
• 고객 선호의 복잡성등의 난점이 존재, 이러한 문제를 해결하기 위한 방법론이 발전해옴
• 고전적인 추천 시스템
• 추천의 아이디어는 오래됐음, 고객에게 연관성있는 제품을 추천함, 추천함으로 기업의 수익을 올릴수 있음
• 고전 추천 알고리즘 종류
•   1) 인구 통계기반 필터링 2) 인기도 기반 추천 3) 지식 기반 추천 4) 규칙 기반 추천
• 1) 인구통계 기반 필터링
• 연령 , 성별 , 직업 등 인구 통계학적 특성이 유사한 사용자는 비슷한 선호와 관심을 가질 가능성이 높음 - 그럴듯한 가설
• 단순하고 콜드 스타트에 대응, 개인화 되지 않고, 고정관념에 기반한 추천 이라는 인식, 민감정보
• 2) 인기조 기반 추천
• 가장 직관적, 상품을 인기도를 기준 , 조회수, 좋아요수, 클릭수, 평점 같은 메트릭
• 사용자별 선호도에 의존하지 않아 구현이 쉽고 확장성 높음
• 개인화 되지 않으며 , 필터 버블
• 필터 버블: 개인화 알고리즘으로 인해 사용자 제한 된 정보나 추천에 노출됨
• 기존의 신념, 관심사 , 선호도 확인 하는 정보와 의견에 노출될 가능성높음

공부사진 

---

 

2일차 후기

---

추천시스템 공부 파샤
 
 
 

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://bit.ly/48sS29N