협업 필터링 시스템은 특정 사용자와 다른 사람의 유사성을 기준으로 추천을 필터링합니다. 협업 추천 시스템은 명시적 및 암시적 데이터를 활용하며, 비슷한 선호도를 가진 사용자가 동일한 항목에 관심을 가질 가능성이 높고, 향후 유사한 방식으로 상호 작용할 가능성이 높다고 가정합니다.

예를 들어, Amazon(ibm.com 외부 링크)은 협업 필터링을 사용해 제품을 추천하고, Spotify(ibm.com 외부 링크) 역시 이 방식을 통해 오디오 콘텐츠을 추천합니다.

협업 필터링 추천 시스템은 효과적인 추천을 제공할 수 있으며 일반적으로 자세한 항목 설명이 필요하지 않습니다. 하지만 협업 필터링은 특히 신규 사용자의 경우와 같이 시스템에서 가져올 수 있는 기록 데이터가 제한되어 있을 때 콜드 스타트 문제가 발생하기 쉽습니다.

협업 필터링 시스템에는 메모리 기반과 모델 기반의 두 가지 주요 유형이 있습니다.

메모리 기반

메모리 기반 시스템은 사용자와 항목을 매트릭스로 표현합니다. 유사한 사용자 또는 유사한 항목일 수 있는 '최근접 이웃'을 찾는 것을 목표로 한다는 점에서 K-최근접이웃(KNN) 알고리즘의 연장 선상에 있다고 할 수 있습니다. 메모리 기반 시스템은 다시 두 가지 유형으로 세분화됩니다.

• 사용자 기반 필터링은 특정 사용자와 매트릭스 내 다른 모든 사용자 사이의 유사성을 계산합니다. 사용자 기반 유사성 함수는 사용자 항목 행렬의 행 사이에서 계산됩니다.

• 항목 기반 필터링은 사용자 행동(사용자가 항목 기능이 아니라 항목과 상호 작용하는 방식)을 통해 항목 유사성을 계산합니다. 항목 기반 유사성 함수는 사용자-항목 행렬의 열 사이에서 계산됩니다.

모델 기반

반면 모델 기반 시스템은 데이터에 대한 예측 머신 러닝 모델을 생성합니다. 사용자 항목 행렬이 모델의 학습 데이터 세트 역할을 하며, 이를 통해 누락된 값, 즉 사용자가 아직 찾지 못하여 추천할 항목에 대한 예측을 산출합니다.

가장 일반적으로 사용되는 모델 기반 협업 필터링 알고리즘 중 하나는 행렬 인수분해입니다. 이 차원 축소 방법은 종종 큰 사용자-항목 행렬을 사용자 행렬과 항목 행렬의 두 개의 작은 행렬로 분해하며, 이 작은 행렬은 선택된 몇 개의 차원을 갖습니다. 그런 다음 두 행렬을 곱하여 더 큰 행렬에서 누락된 값(또는 추천)을 예측합니다.

더욱 발전된 행렬 인수분해에서는 딥 러닝 신경망을 활용합니다. 다른 모델 기반 시스템은 베이즈 분류기, 클러스터링, 의사 결정 트리와 같은 머신 러닝 알고리즘을 사용합니다.

콘텐츠 기반 필터링 시스템은 항목의 특징을 기반으로 추천을 필터링합니다. 콘텐츠 기반 추천 시스템에서는 사용자가 특정 항목을 좋아하면 다른 유사한 항목도 좋아할 것이라고 가정합니다. 콘텐츠 기반 필터링에서는 명시적 및 암시적 데이터와 함께 키워드 및 태그에 의해 할당된 색상, 카테고리, 가격 및 기타 메타데이터와 같은 항목 설명을 고려합니다.

콘텐츠 기반 필터링 시스템은 항목과 사용자를 벡터 공간의 벡터로 나타냅니다. 항목 간의 유사성을 결정하는 데는 근접성이 사용됩니다. 두 벡터가 공간적으로 가까울수록 더 유사한 것으로 간주됩니다. 제공된 특징에 따라 이전 항목과 유사한 벡터를 사용자에게 추천합니다.

콘텐츠 기반 추천 시스템은 사용자 기반 분류기 또는 회귀 모델을 적용합니다. 사용자가 관심을 갖는 항목에 대한 설명과 특징이 모델의 학습 데이터 세트 역할을 하여 추천 항목에 대한 예측을 제공합니다.

자연어 처리 태그를 사용하면 콘텐츠 기반 추천 시스템을 더욱 개선할 수 있습니다. 그러나 대량의 데이터에 대해서는 이러한 태깅 프로세스가 번거로울 수 있습니다.

콘텐츠 기반 필터링은 협업 필터링과 달리 과거의 사용자 상호 작용이 아닌 메타데이터 특성을 기반으로 하므로 콜드 스타트 문제가 발생할 가능성이 낮습니다. 그러나 콘텐츠 기반 필터링은 사용자가 이전에 좋아했던 항목과 유사한 항목을 추천하는 경우가 많기 때문에 새로운 항목을 탐색하는 데 한계가 있을 수 있습니다.

이름에서 알 수 있듯, 하이브리드 추천 시스템은 협업 필터링과 콘텐츠 기반 필터링을 결합한 시스템입니다.

하이브리드 접근 방식은 추천 엔진의 성능을 크게 향상할 수 있지만 고급 아키텍처와 집약적인 계산 능력이 필요합니다.

예를 들어 Netflix는 하이브리드 추천 시스템(ibm.com 외부 링크)을 사용해 영화와 TV 프로그램을 추천합니다.