Recommendation Systems

Recommendation Systems

- Content-based filtering : 각 사용자의 선호에 따라 filter가 됨(다른 사람들의 선호는 고려하지 않음)

- Knowledge-based recommender : 사용자가 무엇을 선호하는지를 질문을 통해 확인하는 것

- Collaborative filtering : 사용자별 비슷한 성향을 가지는 사람을 embedding한 후 추천해주는 시스템(다른사람의 선호도 고려)

- 다양한 추천 기법들이 동시에 적용되고 있음

 

Content-based filtering

- item feature를 이용해서 해당유저가 높은 평점을 매겼던 영화와 비슷한 영화를 추천

- 비슷하다는 기준을 정하는 것이 중요

  > 교집합이 클수록 비슷함

  > 임베딩을 통해 각 영화간 vector(embedding space) or cosine similarity 를 구함

  > 각 contents의 기본 정보를 가지고 각 영화별 vector 좌표를 사람이 넣어줌

- user feature vector를 구한 다음성향 판단 

  > 각 영화 평점(label)과 영화 feature(ex.장르)를 가지고 각 요소별 선호 vector를 계산

  > 계산된 선호 vector를 이용하여 타영화의 예상 평점을 계산함 

- 결국 선형대수를 이용하여 정보분해 및 매트릭스 곱으로 선호도 계산

>> 하지만, 많은 usecase에 대해서는 계산하기가 힘들고, 확장정이 떨어지는 단점이 있음

 

Collaborative filtering

- 확장성을 띨 수 있음 → 유저들 간 유사도를 판단하여 더 많은 content를 추천해 줄 수 있음

  > 버블공간을 넓혀 줌

- user-interaction matrix를 이용하여 적용

- contents 별 feature dimensions을 이용해 content의 vector값을 만듦

- 유저의 선호에 따라 임베딩 벡터를 만듦

- latent factors를 만들어서 적용 → 분해기법 이용 (유저 벡터와 content 벡터를 행렬곱 적용)

- 큰 매트릭스를 작은 매트릭스로 변환 시킨 다음 적용 → 행렬분해

- ALS(Alternating least squares)

  > M *N => (M*k) * (k*N)  → k는 하이퍼 파라미터

- 실무에서 game data의 유저별 구매 항목과 구매항목간 관계만 분석가가 정해주면 BQ ml로 (matrix_factorization) 쉽게 적용해볼만 할 것으로 보임

- 많은 추천시스템 중 choice를 잘해서 써야지~

- 정보가 많이 없을 경우(cold-start)에는 collaborative는 좋지 않아 → 하이브리드 시스템을 만들어 사용

  > content-based + collab

- 유튜브의 추천 시스템

  > 2개의 신경망을 가지고 있음(candidate generation, ranking)

  > candidate generation → 수백개의 contents를 불러오고 ranking에서 top10을 골라냄

  > candidate generation 에서는 watch vector, search vector, location vector 등을 임베딩함, 나머지 feature로 personality한 feature도 들어가게 됨

  > ranking 에서는 recall을 최적화함

  > 모델 작동 설명

 

- 보통 추천 시스템은 → content-based, collab, knowledge 등을 hybrid로 사용하여 적용하는 경우가 많음

TechTalk

A tool for anime

- 이미지를 이용해 동적인 캐릭터를 만들어내는 기술

- 사람의 움직임을 컴퓨터가 감지하여 캐릭터가 그대로 구현함

- 기존의 미디어를 가지고 캐릭터가 그대로 움직이게 할 수 있음

- virtual youtubers 도 이를 이용하여 성장하고 있음