이 페이지에는 맞춤 콘텐츠 시스템 용어집 용어가 포함되어 있습니다. 모든 용어집 용어는 여기를 클릭하세요.
C
후보군 생성
추천 시스템에서 선택되는 일련의 초기 추천입니다. 예를 들어, 10만 권의 서적을 판매하는 서점을 생각해 보세요. 후보군 생성 단계에서는 특정 사용자에게 추천할 적은 수(예: 500권)의 도서 목록을 만듭니다. 하지만 500권도 사용자에게 추천하기에는 너무 많습니다. 추천 시스템의 후속 단계 (예: 점수 및 재정렬)에서는 500개를 훨씬 더 작고 유용한 추천으로 줄입니다.
자세한 내용은 추천 시스템 과정의 후보 생성 개요를 참고하세요.
협업 필터링
다른 여러 사용자의 관심사를 바탕으로 한 사용자의 관심사에 대한 예측 협업 필터링은 추천 시스템에 자주 사용됩니다.
자세한 내용은 추천 시스템 과정의 공동 필터링을 참고하세요.
I
항목 행렬
추천 시스템에서 각 항목에 관한 잠재 신호를 보유하고 있는 행렬 분해에 의해 생성된 임베딩 벡터의 행렬입니다. 항목 행렬의 각 행에는 모든 항목에 대한 단일 잠재적 특성 값이 있습니다. 예를 들어 영화 추천 시스템을 살펴보겠습니다. 항목 행렬의 각 열은 단일 영화를 나타냅니다. 잠재 신호는 장르를 나타내거나, 장르, 스타, 영화 시대 등 복잡한 상호작용을 포함하는 해석하기 어려운 신호일 수 있습니다.
항목 행렬은 인수 분해되는 대상 행렬과 동일한 수의 열을 포함합니다. 예를 들어 10,000개의 영화 타이틀을 평가하는 영화 추천 시스템의 경우 항목 행렬은 10,000개의 열을 포함합니다.
항목
추천 시스템에서 시스템이 추천하는 항목입니다. 예를 들어 동영상은 비디오 가게에서 추천하는 항목이고, 책은 서점에서 추천하는 항목입니다.
M
행렬 분해
수학에서 내적이 대상 행렬에 근접한 행렬을 찾는 메커니즘입니다.
추천 시스템에서 대상 행렬은 항목에 대한 사용자 평점을 보유하고 있는 경우가 많습니다. 예를 들어 영화 추천 시스템의 대상 행렬이 다음과 같이 표시될 수 있습니다. 여기서 양의 정수는 사용자 평점이고 0은 사용자가 해당 영화에 대해 평가하지 않은 것을 의미합니다.
| 카사블랑카 | 필라델피아 이야기 | 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 시스템에 대한 한 가지 접근법은 행렬 분해를 사용하여 다음 두 행렬을 생성하는 것입니다.
예를 들어 3명의 사용자와 5개 항목에 대한 행렬 분해를 사용하여 다음과 같은 사용자 행렬과 항목 행렬을 얻을 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 평점과 각 사용자가 보지 않은 영화에 대한 예측을 포함하는 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
그렇다면 사용자 1은 블랙 팬서를 좋아할까요? 첫 번째 행과 세 번째 열에 해당하는 내적을 사용하여 예측 평점 4.3을 산출합니다.
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
행렬 분해는 일반적으로 대상 행렬보다 훨씬 간결한 사용자행렬 및 항목 행렬을 생성합니다.
R
추천 시스템
각 사용자와 관련해 큰 코퍼스에서 상대적으로 적은 항목 세트를 선택하는 시스템입니다. 예를 들어 비디오 추천 시스템은 100,000개 비디오 코퍼스에서 2개의 동영상을 추천할 수 있습니다. 예를 들어 한 사용자에게는 카사블랑카와 필라델피아 이야기를 추천하고 다른 사용자에게는 원더 우먼과 블랙 팬서를 추천할 수 있습니다. 동영상 추천 시스템은 다음과 같은 요소를 기반으로 추천할 수 있습니다.
- 비슷한 사용자가 평가하거나 본 영화
- 장르, 감독, 배우, 타겟 인구통계...
자세한 내용은 추천 시스템 과정을 참고하세요.
재정렬
추천 시스템의 최종 단계이며 이 단계 중에 다른(비 ML) 알고리즘에 따라 채점된 항목을 다시 평가할 수 있습니다. 재정렬에서는 다음과 같이 조치하여 스코어링 단계에서 생성되는 항목 목록을 평가합니다.
- 사용자가 이미 구매한 항목 제거
- 새로운 항목의 점수 상향
자세한 내용은 추천 시스템 과정의 재랭킹을 참고하세요.
S
점수 매기기
후보 생성 단계에서 생성된 각 항목의 값 또는 순위를 제공하는 추천 시스템의 일부입니다.
U
사용자 행렬
추천 시스템에서 행렬 분해에 의해 생성되고 사용자 선호에 관한 잠재 신호를 보유하는 임베딩 벡터입니다. 사용자 행렬의 각 행에는 단일 사용자에 대한 여러 잠재적 신호의 상대적 강도에 관한 정보가 포함되어 있습니다. 예를 들어 영화 추천 시스템을 살펴보겠습니다. 이 시스템에서 사용자 행렬의 잠재적 신호는 특정 장르에 관한 각 사용자의 선호도를 나타내거나, 여러 요소에 걸친 복잡한 상호작용이 연관된 해석하기 어려운 신호를 나타낼 수 있습니다.
사용자 행렬에는 각 잠재 특성에 관한 열과 각 사용자에 관한 행이 있습니다. 즉, 사용자 행렬에는 인수분해되는 대상 행렬과 같은 수의 행이 있습니다. 예를 들어 1,000,000명의 사용자를 위한 영화 추천 시스템의 경우 사용자 행렬은 1,000,000개의 행을 포함합니다.
W
Weighted Alternating Least Squares (WALS)
추천 시스템의 행렬 분해 중에 목표 함수를 최소화하는 알고리즘으로, 누락된 예시의 가중치를 낮출 수 있습니다. WALS는 행 인수분해와 열 인수분해를 교대로 바꾸어 원본 행렬과 재구성 사이의 가중 제곱 오차를 최소화합니다. 최소 제곱 볼록 최적화를 통해 각 최적화를 해결할 수 있습니다. 자세한 내용은 추천 시스템 과정을 참고하세요.