<aside> ✔️ 간단 요약

아이템의 정보를 기반으로 선호하는 아이템과 비슷한 아이템을 추천해주는 방식

비슷한 아이템을 파악하는 것이 관건이다.

Vectorization, Similarity, Overspecialization

</aside>

특정 사용자가 선호하는 아이템과 비슷한 아이템을 해당 사용자에게 추천해주는 방식

아이템 카테고리, 아이템 이름, 이미지 등의 데이터를 활용한다.

즉, 아이템에 대한 비정형 데이터를 활용하기도 한다.

아이템의 Feature가 풍부한 반면, 관련된 Interaction Data가 매우 적은 상황에서 주로 활용한다.

CF와 CBF는 서로 보완적인 특성을 지닌다.

이 때문에, 두 가지 방법을 결합해서 주로 사용하고, CBF를 단독으로 쓰는 경우는 적다.

관건

1. 아이템 특성을 벡터 형태로 어떻게 표현하는가

   • TF-IDF

     TF-IDF 기반 추천

   • BM25

   • Word2Vec

2. 특성화된 아이템이 서로 얼마나 비슷한가

   Similarity

   Distance

장점

• Cold Start, Sparsity 문제가 없다.

  • 유저에게 추천을 할 때 다른 유저의 데이터가 필요하지 않다.

• 새로운 아이템 or 인기도가 낮은 아이템을 추천할 수 있다.

  인기도 편향에 영향이 적다.

• 독특한 취향을 가진 유저에게도 추천이 가능하다.

• 추천 아이템에 대한 설명이 가능하다.

• 상호작용 데이터가 필요없다.

단점

• 다른 유저의 데이터를 활용할 수 없다.
• 아이템의 적합한 피쳐를 찾는 것이 어렵다.
• 한 분야/장르의 추천 결과만 계속 나올 수 있다. (overspecialization)
• 사용자에 대한 고정관념에 빠지기 쉽다.