Introduction
추천시스템은 사용자의 과거 행동, 선호, 아이템 속성 등을 활용하여 사용자가 관심을 가질 만한 아이템을 자동으로 제안하는 시스템이다. 정보 과부하(information overload) 시대에 사용자가 방대한 선택지에서 의미 있는 아이템을 발견할 수 있도록 돕는 것이 핵심 목표다.
평점 행렬 (Ratings Matrix)
추천시스템의 기본 입력은 $m$명의 사용자와 $n$개의 아이템으로 구성된 평점 행렬이다:
\[R \in \mathbb{R}^{m \times n}\]- $r_{uj}$: 사용자 $u$가 아이템 $j$에 부여한 평점
- 대부분의 항목이 결측(missing)이며, 관측된 평점은 전체의 극히 일부
추천시스템의 목표는 이 불완전한 행렬의 빈 항목을 예측하여 높은 예측 평점을 가진 아이템을 추천하는 것이다.
평점 유형
| 유형 | 설명 | 예시 |
|---|---|---|
| Interval-based | 연속적 구간 값 | 1~5점 별점 |
| Ordinal | 순서가 있는 범주 | “싫어요 < 보통 < 좋아요” |
| Binary | 이진 선호 | 좋아요/싫어요, 찬성/반대 |
| Unary | 상호작용 유무만 관측 | 클릭, 구매, 조회 (암시적 피드백) |
Unary 데이터에서는 관측되지 않은 항목이 “싫어함”인지 “아직 모름”인지 구분할 수 없다는 점에서 다른 유형과 본질적으로 다르다.
추천시스템의 기본 모델
Collaborative Filtering (협업 필터링)
사용자-아이템 간 상호작용 패턴만을 활용한다. 아이템의 속성 정보 없이, 유사한 취향의 사용자가 좋아한 아이템을 추천하는 방식이다.
- Neighborhood-Based: 유사 사용자/아이템을 직접 찾아 예측 (CH02)
- Model-Based: 잠재 요인 모델(행렬 분해 등)을 학습하여 예측 (CH03)
협업 필터링은 결측값 분석(missing value analysis)의 일반화로 볼 수 있다. 또한 분류(classification)와 회귀(regression)의 일반화이기도 하다. 하나의 열을 타겟으로 보면 나머지 열이 특징 변수가 되어, 기존 지도학습 프레임워크와 동일한 구조를 가진다.
Content-Based Filtering (콘텐츠 기반 필터링)
아이템의 속성(attribute)과 사용자의 과거 선호를 기반으로 추천한다. 사용자가 좋아한 아이템과 속성이 유사한 아이템을 제안한다. 텍스트 기반 아이템에서는 TF-IDF, 키워드 매칭 등이 활용된다. (CH04)
Knowledge-Based Systems (지식 기반 시스템)
사용자의 명시적 요구사항과 도메인 지식을 활용하여 아이템을 추천한다. 평점 이력이 없어도 작동하므로 cold-start 상황에 강하다. Constraint-Based와 Case-Based로 나뉜다. (CH05)
Demographic Filtering (인구통계 기반 필터링)
사용자의 나이, 성별, 직업 등 인구통계학적 속성을 기반으로 유사 그룹의 선호를 추천에 ��용한다. 단독으로 사용되기보다 다른 모델의 보조 정보로 활용되는 경우가 많다.
Hybrid and Ensemble Systems
위의 여러 모델을 결합하여 개별 모델의 약점을 보완한다. Weighted, Switching, Cascade, Feature Augmentation 등 다양한 결합 전략이 있다. (CH06)
도메인별 챌린지
Context-Based 추천
시간, 장소, 동반자, 기기 등 상황(context) 정보를 반영한다. 동일한 사용자라도 상황에 따라 선호가 달라��� 수 있다.
Time-Sensitive 추천
사용자 선호는 시간에 따라 변화(drift)한다. 최신 상호작용에 더 큰 가중치를 부여하는 시간 감쇠(temporal decay) 모델이 필요하다.
Location-Based 추천
사용자의 현재 위치를 기반으로 주변 레스토랑, 관광지 등을 추천한다. 지리적 근접성이 핵심 신호가 된다.
Social 추천
소셜 네트워크의 친구 관계와 신뢰(trust)를 추천에 반영한다. 친구가 좋아한 아이템, 소셜 태깅 정보 등을 활용하며, 신뢰 기반 추천은 공격에 더 강건하��.
고급 주제
Cold-Start 문제
새로운 사용자(user cold-start) 또는 새로운 아이템(item cold-start)에 대해 충분한 상호작용 데이터가 없어 추천이 어려운 문제다. Content-Based나 Knowledge-Based 접근이 대안이 되며, 하이브리드 전략이 효과적이다.
공격 저항성 (Attack Resistance)
악의적 사용자가 가짜 평점을 삽입하여 특정 아이템의 추천 순위를 조작하려는 셸링 공격(shilling attack)에 대한 방어가 필요하다. 이상 탐지와 강건한 모델 설계가 핵심이다.
그룹 추천 (Group Recommendation)
여러 사용자로 구성된 그룹에게 공동으로 만족할 수 있는 아이템을 추천하는 문제다. 개인 선호의 집계 전략(평균, 최소 불만족 등)이 핵심이다.
프라이버시 (Privacy)
추천을 위해 수집하는 사용자 데이터는 민감한 개인정보를 포함할 수 있다. 차분 프라이버시(differential privacy), 연합 학습(federated learning) 등의 기법으로 프라이버시를 보호하면서 추천 품질을 유지하는 연구가 진���되고 있다.
추천시스템 모델 비교
| 모델 | 입력 데이터 | 장점 | 약점 |
|---|---|---|---|
| Collaborative | 평점/상호작용 | 도메인 독립적 | Cold-start, 희소성 |
| Content-Based | 아이템 속성 | 새 아이템 추천 가능 | 과도한 특화(overspecialization) |
| Knowledge-Based | 사용자 요구사항 + 도메인 지식 | Cold-start 면역 | 지식 획득 비용 |
| Demographic | 인구통계 속성 | 데이터 요구 최소 | 개인화 수준 낮음 |
| Hybrid | 복합 | 개별 모델 약점 보완 | 설계 복잡성 |
Reference
- Aggarwal, C.C. Recommender Systems: The Textbook. Springer, 2016. Chapter 1.