컨텐츠 기반 필터링과 협업 필터링

1. 내가 느끼는 필터링들의 느낌

• 컨텐츠 기반 필터링 : "너 그거 좋아했으니깐, 그거랑 비슷한 이것도 좋아할거야!”
• 협업 필터링 : “너가 좋아했던 그거, 그거 좋아하는 애들은 이것도 좋아하던데?”

2. 컨텐츠 기반 필터링

2.1 개념

컨텐츠 기반 필터링은 사용자가 좋아했던 아이템과 비슷한 특성을 가진 아이템을 추천하는 방식입니다.

1.2 주요 과정

1. 특성 추출: 아이템을 설명할 수 있는 피처(예: 가격, 카테고리, 성분 등)를 수치 형태로 변환합니다.
2. 유사도 계산: 코사인 유사도, 유클리드 거리, 피어슨 상관계수 등을 활용해 아이템 간의 유사도를 측정합니다.
3. 추천: 유사도가 높은 아이템을 사용자가 선호할 가능성이 높은 순으로 추천합니다.

1.3 장단점

• 장점:
  • 적은 상호작용 데이터에도 활용 가능 (Cold Start 문제 일부 해결).
  • 추천 이유를 해석하기 쉬움.
• 단점:
  • 아이템 피처에 크게 의존.
  • 새로운 유저(Cold User)에게 추천 품질이 낮음

3. 협업 필터링 (Collaborative Filtering)

3.1 개념

협업 필터링은 유저와 유사한 행동 패턴을 가진 다른 유저들의 데이터를 활용해 아이템을 추천합니다. "너가 좋아했던 그거, 다른 사람들도 좋아했어!"라는 아이디어입니다.

3.2 주요 과정

1. 상호작용 행렬 생성: 유저-아이템 간의 평가, 클릭, 구매 등의 데이터를 행렬 형태로 정리합니다.
2. 유사도 계산:
   • 유저 기반: 유사한 취향을 가진 유저들 간의 유사도 계산.
   • 아이템 기반: 비슷한 특성을 가진 아이템 간의 유사도 계산.
3. 추천: 유사한 유저/아이템의 데이터를 활용해 사용자에게 적합한 아이템을 추천합니다.

3.3 장단점

• 장점:
  • 집단지성을 활용해 개인화 추천이 가능.
  • 아이템/유저의 잠재적 특징을 반영 가능.
  • 데이터가 많아질수록 성능이 개선.
• 단점:
  • 아이템 및 유저 Cold Start 문제에 취약.
  • 확장성 문제로 인해 연산 비용이 커질 수 있음.