Recommendation
- 어떤 조건에 적합한 대상을 책임지고 소개함
어떤 사용자에게 어떤 상품을 어떻게 추천할지에 대해 이해
기업에서의 추천시스템
- 카카오 (브런치)
- 해당 글과 유사한 글을 추천
- 당근마켓
- 다른 사람들과 함께 본 상품 추천
-
User data
- Explicit Feedback
- Rating
- Implicit Feedback
- View counts
- Explicit Feedback
-
Model
- Content-based Filtering
- Recommendation based on item attribute
- Collaboratice Filtering
- Recommendation based on users' behavior
- Hybrid Recommendation
- Content based + Collaborative Filtering
- Content-based Filtering
-
Purpose
- Rating Prediction
- Matrix Completion Problem
- Top-K Recommandation
- Rating Prediction
-
Recommendation
- Best Recommendation
- Related Recommendation
- Personalize Recommendation
- Context-Aware Recommendation
모델에 대한 성능 평가 단계
- 기존 모델 개선 및 신규 모델 개발 -> 이력 데이터 기반 성능 평가 -> 심사 평가 -> A/B Test -> 기존 모델 개선 및 신규 모델 개발
- 사전 검증 : 이력 데이터 기반 성능 평가, 심사 평가
- 사후 검증 : A/B Test
점수 예측에 대한 성능 평가 - 예상 평점과 실제 평점간 오차
- RMSE
- 큰 오차에 큰 가중치, 작은 오차에는 작은 가중치 부여
- MAE
- 오차만큼의 가중치 부여
Top-K 성능 평가 지표
- Precision@K
- 모델이 추천한 K개 아이템 가운데 실제 유저가 관심있어하는 아이템의 비율
- Recall@K
- 유저가 관심있어하는 전체 아이템 가운데 모델이 추천한 아이템의 비율
- MAP@K
- Average Precision -> Precision(1) ~ Precision(K)까지의 평균값
- 모든 유저에 대한 Average Precision 값의 평균 -> 추천시스템의 성능
- NDCG
- 추천 순서에 따라 가중치가 부여된다. 1에 가까울수록 높은 성능
- DCG