이 페이지에는 추천 시스템 용어집이 포함되어 있습니다. 모든 용어집 용어를 보려면 여기를 클릭하세요.
C
후보 생성
추천 시스템에서 선택한 초기 추천 집합입니다. 예를 들어 100,000권의 도서를 제공하는 서점을 가정해 보겠습니다. 후보군 생성 단계에서는 특정 사용자에게 적합한 도서 목록이 훨씬 작아집니다(예: 500권). 하지만 500권의 책도 사용자에게 추천하기에는 너무 많습니다. 이후에 더 많은 비용이 드는 추천 시스템 단계 (점수 및 순위 재지정)는 이러한 500개를 훨씬 더 작고 유용한 추천 조합으로 줄입니다.
협업 필터링
다른 여러 사용자의 관심분야를 토대로 특정 사용자의 관심분야를 예측하는 기능입니다. 협업 필터링은 추천 시스템에서 자주 사용됩니다.
I
항목 매트릭스
추천 시스템에서 행렬 분해로 생성된 임베딩 벡터 행렬은 각 항목에 관한 잠재 신호를 보유합니다. 항목 행렬의 각 행에는 모든 항목의 단일 잠재 특성 값이 포함됩니다. 예를 들어 영화 추천 시스템을 살펴보겠습니다. 항목 행렬의 각 열은 단일 영화를 나타냅니다. 잠재 신호는 장르를 나타내거나 장르, 별, 영화 시대 등의 복잡한 상호작용과 관련된 해석하기 어려운 신호일 수 있습니다.
항목 행렬은 인수 분해되는 대상 행렬과 동일한 수의 열을 갖습니다. 예를 들어 영화 제목 10,000개를 평가하는 영화 추천 시스템의 경우 항목 행렬에 열 10,000개가 포함됩니다.
items
추천 시스템에서 시스템이 추천하는 항목 예를 들어 동영상은 동영상 스토어에서 추천하는 항목이며 도서는 서점에서 추천하는 항목입니다.
M
행렬 분해
수학에서 내적이 대상 행렬에 근접한 행렬을 찾는 메커니즘입니다.
추천 시스템에서 대상 행렬은 항목에 대한 사용자 평점을 저장하는 경우가 많습니다. 예를 들어 영화 추천 시스템의 타겟 행렬은 다음과 같습니다. 여기서 양의 정수는 사용자 평점이고 0은 사용자가 영화를 평가하지 않았음을 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 접근 방식은 행렬 분해를 사용하여 다음 두 행렬을 생성하는 것입니다.
예를 들어 사용자 3명과 항목 5개에서 행렬 분해를 사용하면 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 평점뿐만 아니라 각 사용자가 보지 않은 영화의 예측도 포함된 추천 행렬을 생성합니다. 예를 들어 카사블랑카에 대한 사용자 1의 평점(5.0)을 고려합니다. 추천 행렬의 셀에 해당하는 내적은 약 5.0이어야 하며 다음과 같습니다.
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
더 중요한 점은, 사용자 1은 블랙 팬서를 좋아할까요? 첫 번째 행과 세 번째 열에 해당하는 내적을 사용하면 예측 평점이 4.3이 됩니다.
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
행렬 분해는 일반적으로 타겟 행렬보다 훨씬 간결한 사용자 행렬과 항목 행렬을 생성합니다.
오른쪽
추천 시스템
각 사용자에게 큰 코퍼스에서 상대적으로 적은 항목 집합을 선택하는 시스템입니다. 예를 들어 동영상 추천 시스템에서 한 사용자에 대해 카사블랑카와 필라델피아 스토리를 선택하고 다른 사용자에게 원더맨과 블랙 팬서를 선택하여 동영상 100,000개의 자료에서 두 개의 동영상을 추천할 수 있습니다. 동영상 추천 시스템은 다음과 같은 요인을 기반으로 추천을 제공할 수 있습니다.
- 비슷한 사용자가 평가하거나 시청한 영화
- 장르, 감독, 배우, 타겟 인구통계...
순위 재지정
추천 시스템의 최종 단계이며 이 단계 중에 다른(비 ML) 알고리즘에 따라 채점된 항목을 다시 평가할 수 있습니다. 순위 재지정은 점수 단계에서 생성된 항목의 목록을 평가하고 다음과 같은 조치를 취합니다.
- 사용자가 이미 구매한 항목 제거
- 최신 항목의 점수를 높입니다.
S
점수 매기기
후보 생성 단계에서 생성된 각 항목의 값 또는 순위를 제공하는 추천 시스템의 일부입니다.
U
사용자 매트릭스
추천 시스템에서 행렬 분해로 인해 생성된 임베딩 벡터는 사용자 환경설정에 관한 잠재 신호를 보유합니다. 사용자 행렬의 각 행에는 단일 사용자의 다양한 잠재 신호의 상대 강도에 대한 정보가 포함됩니다. 예를 들어 영화 추천 시스템을 살펴보겠습니다. 이 시스템에서 사용자 행렬의 잠재 신호는 특정 장르에 대한 각 사용자의 관심을 나타내거나 여러 요인의 복잡한 상호작용을 포함하는 해석하기 어려운 신호일 수 있습니다.
사용자 행렬에는 각 잠재 특성의 열과 각 사용자의 행이 있습니다. 즉, 사용자 행렬은 인수 분해되는 대상 행렬과 동일한 수의 행을 갖습니다. 예를 들어 사용자 1,000,000명을 위한 영화 추천 시스템의 경우 사용자행렬은 1,000,000행으로 구성됩니다.
W
가중치 적용 교체 최소 정사각형 (WALS)
추천 시스템에서 행렬 분해 중에 목표 함수를 최소화하는 알고리즘으로, 누락된 예의 축소를 허용합니다. WALS는 행 인수분해와 열 인수분해를 번갈아 수정하여 원래 행렬과 재구성 사이의 가중 제곱 오차를 최소화합니다. 이러한 각 최적화는 최소 제곱 볼록 최적화로 해결할 수 있습니다. 자세한 내용은 추천 시스템 과정을 참고하세요.