콘텐츠 기반 추천시스템과 지식 기반 추천시스템

1. 콘텐츠 기반 추천시스템 (Content-Based Recommender Systems)
- 평점과 유저의 buying behavior가 콘텐츠 정보와 결합되어 활용된다.
● 장점: 평점의 개수가 충분하지 않은 새로운 아이템을 추천할 때 장점이 있다. 왜냐면 다른 active user들이 평점을 준 비슷한 특성을 가진 다른 아이템들이 있기 때문이다.
● 단점
- 키워드나 콘텐츠의 사용으로 인해 '뻔한' 추천을 제공하게 된다. 만약 유저가 특정 키워드가 들어간 제품을 한번도 소비한 적이 없다면 그 제품은 전혀 추천되지 않을 것이다. 이러한 현상은 추천되는 아이템의 다양성을 감소시킨다.
- 새로운 유저에게 추천할 때는 효과적이지 않다. 왜냐하면 모델을 훈련시키기 위해서는 해당 유저의 평점 히스토리가 필요하기 때문이다.

2. 지식 기반 추천 시스템 (Knowledge-Based Recommender Systems)
- 지식 기반 추천 시스템은 자주 구매되지 않는 제품의 추천에 매우 유용하다. 예를 들면 부동산, 자동차, 여행 상품, 금융 서비스, 럭셔리 상품 등이 있다. 이러한 제품들의 경우, 구매가 자주 일어나지 않고 옵션이 다양한 경우가 많아 충분한 양의 평점을 모으기가 어렵다. 이러한 문제는 Cold-start problem에서도 마주칠 수 있다. 또한 소비자의 취향이 시간에 따라 변화할 수도 있다. 이럴 경우, 평점과 같은 과거의 데이터로는 유저의 취향을 완전히 파악하기 어려울 수 있다. 이러한 경우에는 지식 기반 추천 시스템이 쓰일 수 있다. 왜냐하면 추천을 위해 평점이 사용되지 않기 때문이다.
- 지식 기반 추천 시스템은 고객의 요구 사항과 아이템의 description 간의 유사성, 혹은 유저의 요구사항을 구체적으로 명시하는 제한사항을 기반으로 한다. 이처럼 지식 기반 추천 시스템은 유저들로 하여금 그들이 무엇을 원하는지 명확히 명시하도록 한다는 점에서 특별하다고 할 수 있다.
- 지식 기반 추천 시스템은 인터페이스의 타입에 따라 나누어질 수 있다.
1) Constraint-based recommender systems: 유저들이 아이템 특정에 대한 요구사항이나 제한사항을 명시한다. (ex: 최소 가격, 최대 가격)
2) Case-baed recommender systems: 유저가 명시한 특정 케이스들이 타겟 혹은 앵커포인트로 작용한다. 유사도 메트릭스는 아이템 특성에 근거하여 특정 케이스에 비슷한 아이템들을 찾는데 사용된다.

* 콘텐츠 기반 추천 시스템과 지식 기반 추천 시스템의 주요 차이점
- 콘텐츠 기반 시스템은 유저의 과거 행동을 학습(과거에 구매했던 아이템들의 특성을 활용)하는 반면, 지식 기반 시스템은 유저의 니즈와 관심에 근거한다.

 

※ Recommender System(Aggarwal)을 읽고 정리한 내용입니다.