이 페이지에는 추천 시스템 용어집 용어가 포함되어 있습니다. 모든 용어집 용어를 보려면 여기를 클릭하세요.
C
후보군 생성
추천 시스템에서 선택하는 초기 추천 모음입니다. 예를 들어 10만 권의 책을 판매하는 서점이 있다고 가정해 보겠습니다. 후보군 생성 단계에서는 특정 사용자에게 적합한 도서 목록을 훨씬 적게 만듭니다(예: 500권). 하지만 500권도 사용자에게 추천하기에는 너무 많습니다. 이어서 더 많은 비용이 드는 추천 시스템 단계 (예: 채점 및 순위 재지정)에서는 이러한 500개 항목을 훨씬 작고 유용한 추천 집합으로 축소합니다.
협업 필터링
다른 여러 사용자의 관심분야를 바탕으로 한 사용자의 관심분야를 예측하는 경우 협업 필터링은 추천 시스템에서 자주 사용됩니다.
I
항목 행렬
추천 시스템에서 각 항목에 대한 잠재 신호를 보유하는 행렬 분해에 의해 생성된 임베딩 벡터의 행렬입니다. 항목 행렬의 각 행에는 모든 항목에 대한 단일 잠재 특성 값이 포함됩니다. 영화 추천 시스템을 예로 들어보겠습니다. 항목 행렬의 각 열은 단일 영화를 나타냅니다. 잠재 신호는 장르를 나타내거나 장르, 스타, 영화 시대 또는 기타 요소 간의 복잡한 상호작용을 포함하는 해석하기 어려운 신호일 수 있습니다.
항목 행렬은 분해되는 대상 행렬과 동일한 수의 열을 가집니다. 예를 들어 10,000개의 영화를 평가하는 영화 추천 시스템의 경우 항목 행렬은 10,000개의 열을 갖게 됩니다.
items
추천 시스템에서 추천되는 항목입니다. 예를 들어 비디오는 비디오 매장에서 추천하는 항목이고 도서는 서점에서 추천하는 항목입니다.
월
행렬 분해
수학에서 내적이 대상 행렬에 가까운 행렬을 찾기 위한 메커니즘입니다.
추천 시스템에서 대상 매트릭스는 종종 상품에 관한 사용자 평가를 보관합니다. 예를 들어 영화 추천 시스템의 대상 행렬은 다음과 같을 수 있습니다. 여기서 양의 정수는 사용자 평점이고 0은 사용자가 영화를 평가하지 않았음을 의미합니다.
| 카사블랑카 | 필라델피아 스토리 | 블랙 팬서 | 원더 우먼 | 펄프 픽션 | |
|---|---|---|---|---|---|
| 사용자 1 | 5.0 | 3.0 | 0.0 | 2.0 | 0.0 |
| 사용자 2 | 4.0 | 0.0 | 0.0 | 1.0 | 5.0 |
| 사용자 3 | 3.0 | 1.0 | 4.0 | 5.0 | 0.0 |
영화 추천 시스템은 평가되지 않은 영화에 대한 사용자 평점을 예측하는 것을 목표로 합니다. 예를 들어 사용자 1은 블랙 팬서를 좋아할까요?
추천 시스템의 한 가지 접근 방식은 행렬 분해를 사용하여 다음 두 행렬을 생성하는 것입니다.
예를 들어 사용자 3명과 항목 5개에 대해 행렬 분해를 사용하면 다음과 같은 사용자 행렬과 항목 행렬이 생성될 수 있습니다.
User Matrix Item Matrix 1.1 2.3 0.9 0.2 1.4 2.0 1.2 0.6 2.0 1.7 1.2 1.2 -0.1 2.1 2.5 0.5
사용자 행렬과 항목 행렬의 내적은 원래 사용자 평가뿐 아니라 각 사용자가 보지 않은 영화에 대한 예측도 포함된 추천 행렬을 생성합니다. 예를 들어 카사블랑카에 대한 사용자 1의 평점(5.0)을 고려합니다. 추천 행렬에서 해당 셀에 해당하는 내적은 약 5.0이어야 하며 다음과 같습니다.
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
무엇보다도 사용자 1은 블랙 팬서를 좋아할까요? 첫 번째 행과 세 번째 열에 해당하는 내적을 구하면 예측 평점 4.3이 생성됩니다.
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
행렬 분해는 일반적으로 대상 행렬보다 훨씬 간결한 사용자 행렬과 항목 행렬을 생성합니다.
R
추천 시스템
각 사용자에 대해 대규모 코퍼스에서 상대적으로 적은 항목 집합을 선택하는 시스템입니다. 예를 들어 동영상 추천 시스템은 100,000개의 동영상에서 두 개의 동영상을 추천할 수 있습니다. 한 사용자에게는 카사블랑카와 필라델피아 스토리를, 다른 사용자에게는 원더우먼과 블랙 팬서를 선택할 수 있습니다. 동영상 추천 시스템은 다음과 같은 요소를 바탕으로 콘텐츠를 추천합니다.
- 비슷한 사용자가 평가하거나 시청한 영화
- 장르, 감독, 배우, 타겟 인구통계...
순위 재지정
추천 시스템의 최종 단계. 이 과정에서 채점된 항목은 다른(일반적으로 비 ML) 알고리즘에 따라 다시 채점될 수 있습니다. 순위 재지정은 스코어링 단계에서 생성된 항목 목록을 평가하여 다음과 같은 작업을 수행합니다.
- 사용자가 이미 구매한 항목을 제외합니다.
- 최신 아이템의 점수 상승
S
점수 매기기
후보 생성 단계에서 생성된 각 항목의 값 또는 순위를 제공하는 추천 시스템의 일부입니다.
U
사용자 매트릭스
추천 시스템에서 행렬 분해에 의해 생성되는 임베딩 벡터는 사용자 환경설정에 대한 잠재 신호를 보유합니다. 사용자 행렬의 각 행에는 단일 사용자에 대한 다양한 잠재 신호의 상대적 강도에 대한 정보가 포함됩니다. 영화 추천 시스템을 예로 들어보겠습니다. 이 시스템에서 사용자 매트릭스의 잠재 신호는 특정 장르에 대한 각 사용자의 관심을 나타내거나 여러 요소에 걸친 복잡한 상호작용을 수반하는 해석하기 어려운 신호일 수 있습니다.
사용자 행렬에는 각 잠재 특성에 대한 열과 각 사용자에 대한 행이 있습니다. 즉, 사용자 행렬에는 인수분해되는 대상 행렬과 동일한 수의 행이 있습니다. 예를 들어 1,000,000명의 사용자를 위한 영화 추천 시스템의 경우 사용자 행렬은 1,000,000개의 행을 갖게 됩니다.
W
Weighted Alternating Least Squares (WALS)
추천 시스템의 행렬 분해 중에 목적 함수를 최소화하는 알고리즘으로, 누락된 예의 가중치를 낮출 수 있습니다. WALS는 행 인수분해와 열 인수분해를 번갈아 가며 사용하여 원본 행렬과 재구성 사이의 가중 제곱 오차를 최소화합니다. 최소 제곱 볼록 최적화를 통해 각 최적화를 해결할 수 있습니다. 자세한 내용은 추천 시스템 과정을 참고하세요.