[BRS with ML and AI] 1. Getting Started

1.1 Course RoadMap

---

본격적으로 Building Recommender Systems with Machine Learning and AI 코스를 진행하기 앞서, 강의의 로드맵을 살펴보자!

추천시스템 스터디를 위해 선정한 강의 : Building Recommender Systems with Machine Learning and AI(Udemy)

Building Recommender Systems with Machine Learning and AI

- getting Started 

- intro to python(skip!)

- evaluating recommeder systems

- building a recommendation engine

- content-based filtering

- neighborhood-based filtering

- model-based methods

- intro to deep learning

- recommendations with deep learning

- scaling it up

- challenges of recommender systems

- case studies

 

 

1.2 What Is a Recommender System? | 추천시스템이란?

---

추천시스템이 정확히 무엇인지, 정의해보자

WHAT IS NOT
A recommender system is NOT a system that "recommends" arbitary values.
That describes machine learning in general.

 

WHAT IT IS
A system that predicts rating or preferences a user might give to an item 
Often these are sorted and presented as "top-N" recommendations
Also Known as recommender engines, recommendation systems, recommendation platforms.

 

| 추천 시스템이란?

• 유저의 아이템에 대한 선호를 예측하는 시스템
• 유저의 과거 행동과 또다른 유저의 행동들을 바탕으로 무엇인가를 추천하는 것.

 

 

| 추천의 효과?

• user : 유저 자신이 원하는 상품을 찾게 됨
• company : 수십억 달러의 매출 증가

 

1.3 Types of Recommenders | 추천의 유형

---

그렇다면 어떤 것들이 추천의 대상이 될 수 있을까?

| 추천의 대상(유형)

모든 것이 될 수 있다. 상품과 같이 물리적인 것부터, 음악, 동영상, 사람 등이 그것들이다.

 

1) 상품 추천 

- 유저의 행동 로그 데이터를 기반으로 유저와 상품 간의 관계를 찾음

 

2) 기사 추천

- 과거에 읽은 기사를 기반으로 새로운 기사 추천 

- 기사는 최신성이 중요한 요소다. 그래서, 추천 점수 구성 요소 중 하나로 업로드 시점을 사용한다고 함.

 

3) 음악 추천

- 소리의 파형을 분석하여 유산 음악을 추천 

- 대상 자체에 대한 특징을 기반으로 추천하는 방식 (컨텐츠 기반 추천에 속함)

 

4) 웹페이지 추천 (검색 엔진)

- 개인화 검색 결과 제공 

- 동일한 쿼리에 대해 유저맘다 다른 결과 내보냄 ex) 구글 검색

- 개인의 위치 정보, 과거의 행동 등을 이용하여 그 사람과 가장 관련있는 검색결과를 제공

 

 

1.4 Understanding You through Explicit and Implicit Ratings | 명시적평가와 암시적평가에 대한 이해

---

추천 시스템은 유저의 데이터로부터 생성된다. 즉 유저의 피드백을 통해 생성된다.
그렇다면 그 피드백은 어떤 것들이 있을까?

| 명시적인 피드백

  ex) 온라인 과정 평가 요청 ( 별점주기 ) , 좋아요 표시

  명시적으로 요청을 해야함 

  유저의 추가 작업이 필요함
  그래서 굉장히 sparse하다. (문제1)
  sparse하면 추천의 퀄리티는 엄청 떨어진다. 

모든 사람은 저 마다의 기준이 있다. (문제2)

그래서 별점 4점을 동일하게 주었더라도 준 사람마다 다를 수 있다. 

 

 

| 암묵적인 피드백 
ex) 클릭 데이터 (웹 페이지의 링크를 클릭)  - 암묵적 긍정 표시로 해석 

  매우 많은 데이터를 얻는 것이 가능 (sparse 하지 않음)

  그러나 클릭이 항상 관심의 표시라고 믿을 수 없다. (ex. 섹시한 이미지에 유혹되어 클릭할 수 있음)

  클릭 데이터만을 사용하는 것 역시 좋지 않음.

 

ex) 구매 데이터 (실제로 구입한 상품)  - 암묵적 긍정 표시로 해석 

  믿을만한 데이터 - 유저의 비용이 들어간 것이기 때문

 

ex) 시간 소비 데이터 (유튜브 시청시간) - 암묵적 긍정의 정도 표시

  소비 데이터는 구매 데이터처럼 돈을 소비할 필요는 없지만, 시간을 소비해야함으로 클릭 데이터에 비해 상당히 신뢰할 수 있는 관심 지표임

 

- 추천 시스템을 설계할 때, 사용자의 관심에 대해 어떤 데이터 소스를 가지고 있는지 생각해보자. 그게 시작이다.

 

 

1.5  Top-N Recommender Architecture | Top N개의 추천 구조 

---

여기서 잠깐만! 유저는 우리가 만든 추천시스템의 예측값(score) 하나하나를 궁금해하지 않는다!
즉, 추천시스템의 궁극적인 목표란, 각 유저에게 최고의 콘텐츠 N개를 목록의 형태로 보여주는 것이다. 

| 방법 1 (One) anaotomy of a top-N recommender 

1. individual interest | 개인의 선호를 나타낼 수 있는 데이터를 적재

• Implicit Feedback 
• Explicit Feedback  

2. candidate generation | 유저가 관심 가질만한 추천 후보 생성

• 유저가 구매한 아이템으로 구성 or 유저가 구매한 아이템과 유사한 아이템 
• 혹은 유저와 동일한 상품을 구입한 다름 유저의 구매 아이템 ( 스타트렉을 본 유저A + 스타워즈를 본 유저A  + 스타트렉을 본 유저B => 유저B는 스타워즈를 볼 것이다) 

3. candidate ranking | 추천 후보 랭킹

• 랭킹 방식 : 머신러닝방식, 통계 수식 방식, 단순 정렬 방식 등등 
• (추천 랭킹 모델링) 추천 점수 기준으로 랭킹 부여
• (광고 랭킹 모델링) 추천 점수 * 입찰가 기준으로 랭킹 부여 

4. filtering | 필터링(후처리) 

• 추천 목록에서 유저가 이미 소비한 아이템은 제거
• 불쾌감을 주는 항목 등 제거, 특정 임계치를 넘지 못하는 아이템은 제거

 

위의 방식을 따른 대표적인 추천 시스템 : 아마존(2003), item-based collaborate filtering

 

 

| 방법 2 

1. candidate generation -> rating predictions | 예측된 평점 가져옴

2. candidate generation | 추천의 후보 생성

3. candidate ranking | 추천 후보 랭킹 

4. filtering | 필터링 

 

 

1.6 Quiz | 1주차 퀴즈

---

1주차 Getting Started를 마치며, 네 개의 퀴즈를 풀어보자! 더보기를 클릭하여 답을 확인해보자.

which of the following are examples of implicit ratings? | 다음 중 암묵적 평가 지표는 무엇인가?

- star reviews

- purchase data

- video viewing data

- click data 

- star reviews

- purchase data

- video viewing data

- click data 

 

which are examples of recommender systems? | 다음 중 추천시스템의 예시로 적절한 것은?

- netflix's home page

- google search

- amazon's "people who bought also bougt.."

- pandora

- online radio station

- youtube

- wikipedia search

- netflix's home page

- google search

- amazon's "people who bought also bougt.."

- pandora

- online radio station

- youtube

- wikipedia search

 

which are examples of "Top-N" recommenders? | 대표적인 Top N 추천 시스템의 예시로는?

- netflix recommendation widgets

- google search

- amazon "people who bougth also bought"

- netflix recommendation widgets

- google search

- amazon "people who bougth also bought"

 

which are components of a top-N recommender? | Top N 추천 시스템의 요소로는?

- candidate generation

- filtering

- candidate shuffling

- ranking

- candidate generation

- filtering

- candidate shuffling

- ranking