추천시스템의 개요

"절대 거절 못할 제안을 하지"
영화 '대부'에서

---

추천 시스템의 개요

21세기는 '추천 시스템 전성시대'라고 봐도 무방하다.

아마존, 쿠팡 등 전자상거래 업체부터, 유튜브, 애플 뮤직 등 콘텐츠 포털까지, 대부분의 온라인 스토어는 사용자의 취향을 이해하고 최적의 상품과 콘텐츠를 추천하는 추천 시스템을 적극적으로 활용하고 있다.

범람하는 데이터의 홍수 속에, 사람들은 점점 더 선택에 어려움을 느끼고, 이는 사용자 경험에 악영향을 끼친다. 한정된 시간이라는 제약 조건 속에 너무 많은 선택지가 부여되는 것은 사용자로 하여금 압박감을 느끼게 하는데, 이러한 문제를 해결해주는 것이 바로 추천 시스템인 것이다.

추천 시스템을 채택하는 주체는 추천을 위한 대량의 데이터를 가진다. 예를 들어 온라인 스토어는 많은 양의 고객 데이터 및 상품 데이터를 가지고 있다.

• 사용자가 어떤 상품을 구매했는가?
• 사용자가 어떤 상품을 둘러보거나 장바구니에 넣었는가?
• 사용자가 평가한 평점은?
• 사용자가 스스로 작성한 자신의 취향은?
• 사용자가 무엇을 클릭했는가?

이러한 데이터들을 기반으로 추천 시스템은 '당신만을 위한 최신 상품', '이 상품은 어떠신가요?' 등의 캐치 프라이즈를 내걸고 추천을 진행한다.

---

추천 시스템의 유형

추천 시스템은 크게 콘텐츠 기반 필터링(Content-based filtering) 방식과 협업 필터링(Collaborative filtering) 방식으로 나뉜다. 그리고 협업 필터링 방식은 다시 최근접 이웃(Nearest Neighbor) 협업 필터링과 잠재 요인(Latent Factor) 협업 필터링으로 나뉜다.

초창기에는 콘텐츠 기반 필터링이나 최근접 이웃 기반 협업 필터링이 주로 사용됐지만, Netflix Prize에서 행렬 분해(Matrix Factorization) 기법을 활용한 잠재 요인 협업 필터링 방식이 우승하면서, 현재 대부분의 온라인 스토어에서는 잠재 요인 협업 필터링 기반의 추천 시스템을 적용 중이다.

물론 서비스하는 아이템의 특성에 따라 콘텐츠 기반 필터링이나 최근접 이웃 기반 협업 필터링 방식을 유지하는 곳도 많은데, 대표적인 곳이 바로 아마존이다. 아마존은 상품의 특성을 고려하는 아이템 기반 최근접 이웃 협업 필터링 방식을 사용한다.

최근에는 개인화 특성을 좀 더 강화하기 위해 하이브리드 형식으로 콘텐츠 기반과 협업 기반을 적절히 결합해 사용하는 경우도 늘고 있다.