<aside> ✔️ 간단 요약


User-Item 상호작용 행렬의 결측치를 채우는 방법론

비슷한 취향의 유저들의 선호도를 반영하여 추천해준다.

결측치를 어떻게 채우는지에 따라 NBCF, MBCF 등의 다양한 방법이 존재한다.

User-Item Interaction, NBCF, MBCF, Cold Start

</aside>

유저 A와 비슷한 취향의 유저들이 선호하는 아이템을 유저 A에게 추천하는 방식

많은 사용자들의 선택으로 만들어진 정보를 활용한다.

아이템이 가진 속성을 사용하지 않고도 높은 추천 성능을 보인다.

목적

대상 유저가 특정 아이템에 부여할 평점을 예측하는 것

일종의 Missing Value Imputation 문제로 볼 수 있다.

다만, 매우 큰 사이즈의 희소 행렬을 다루기 위해 추가적인 방법이 필요하다.

장점

단점

  1. Sparse Data의 경우 CF가 제대로 동작하지 않는다.

  2. 유저 관련 정보를 제대로 활용하지 못한다.

  3. Cold Start에 대한 대처가 어렵다.

    신규 유저가 들어온 상황을 데이터 관점에서 바라보면 새로운 행이나 열이 추가된 것과 동일하기 때문이다.

    새롭게 추가된 행이나 열은 기존의 학습 모델에서 사용하던 feature에 대응되지 않는다.

    이에 대한 해결책으로 CBF: Content Based Filtering을 활용하기도 한다.

  4. 정보에 대한 질적 해석(Qualitative measures of feedback)

    사용자들의 feedback을 동일하게 해석하여 발생하는 문제

    사용자들의 점수가 동일한 5점이라고 해도, 개인들에게 동일한 가치는 아닐 수 있다.

  5. Gray-sheep(취향이 독특한 사용자)

    취향이 독특한 사용자의 feedback은 정상 사용자 feedback 분포에 악영향을 끼친다.

특징