"추천시스템을 공부하고 싶은데 어디서부터 시작해야할지 모르겠다."라는 질문을 저도 했었고 지금도 많은 분들이 하고 계십니다. 다른 분야와는 달리 추천을 다루는 교재가 많이 없고 있더라도 Matrix Factorization정도만 다루기 때문이라고 생각합니다.

추천시스템의 큰그림과 어떻게 빠져들 것인가에 대해 이해하고 있는만큼 써보려 합니다. 기준은 다음과 같습니다.

1. 학습 방법을 기준으로
2. 도메인을 기준으로(CTR, Sequential, 패션, POI, 태그, 뉴스, 소셜, 직업, 인터랙티브 추천)
3. 회사를 기준으로(구글, 스포티파이, 아마존, 알리바바, 넷플릭스)
4. 학회를 기준으로(RecSys, KDD, WSDM, SIGIR)<- RecSys Best Paper와 Challenge를 추천합니다.
5. 대회를 기준으로(카카오 아레나, RecSys Challenge, 캐글)

시간이 많이 걸려서 나눠 쓰고자 합니다. 입문한지 1년이 안된 주니어이기 때문에 실전 경험이 적고 총체를 파악하고 있지 못하여 누락된 내용도 많다는 점을 감안해주세요. 시작합니다.

1. 학습 방법을 기준으로 빠져들기

추천 모델의 공통점은 유저와 아이템이 많아서 유저에게 무엇을 보여줄 것인가를 다룬다는 점입니다. 그러나 모델마다 유저와 아이템의 어떤 정보를 사용할지, 어떻게 숫자로 표현 할지, 어떤 기준으로 아이템을 보여줄지는 조금씩 다릅니다. 다르게 표현하자면 학습방법이 다르다인데요. 흥미로워 보이는 모델을 잡고 어떻게 발전해 나가고 있는지 파악하는 게 첫 번째 방법입니다.

1) Matrix Factorization (MF)

<aside> 💡 User 와 Item의 Interaction을 Matrix로 표현한 다음 Factorize하여 Latent Vector를 얻습니다.

</aside>

• 추천 시스템하면 가장 먼저 배우는 모델입니다. Matrix Entry에는 별점 뿐만 아니라 재생횟수, 클릭수, 좋아요를 눌렀는지 여부 등등이 될 수 있습니다.
• 기본적인 지식 익히신 분이라면 아래 방향으로 찾아보시길 권장합니다.
  • Implicit 데이터의 의미를 자세히 서술하고 모델링한 연구
  • 계산 속도를 빠르게 하기 위한 연구
  • 확률 분포를 고려하여 정확도를 높이는 연구
  • MF의 일반화로 Tensor Factorization을 제안하여 user-item 이외에 추가적인 맥락을 고려하는 연구

→ 처음으로

2) Factorization Machine (FM)