추천 시스템의 세 가지 접근 방식
추천 시스템(Recommender System)은 크게 콘텐츠 기반(content-based) 방식, 협업 필터링(collaborative) 방식, 그리고 이 둘을 결합한 하이브리드(hybrid) 방식으로 나눌 수 있습니다. 각 방식은 서로 다른 원리로 작동하며, 목적과 데이터 특성에 따라 적절히 선택되거나 조합되어 사용됩니다.
콘텐츠 기반(Content-based) 방식
콘텐츠 기반 접근법은 사용자가 과거에 선호했거나 검색했던 아이템과 유사한 아이템을 추천하는 방식입니다. 이 방식은 제품의 특징(feature)과 텍스트 형태의 아이템 설명에 크게 의존합니다.
콘텐츠 기반 방법에서는 유사한 사용자들이 서로 다른 아이템에 부여한 유용성(utility)을 바탕으로 계산이 이루어집니다. 많은 시스템이 웹사이트, 기사, 뉴스처럼 텍스트 데이터를 포함하는 아이템 추천에 초점을 맞추고 있으며, 아이템 간의 공통점을 찾아냅니다. 예를 들어 영화라면 같은 장르, 감독, 배우를 기준으로 유사성을 판단할 수 있습니다.
기사의 경우에는 유사한 용어(키워드)를 찾는 방식으로 접근합니다. 콘텐츠 기반 접근법은 데이터 이론에 뿌리를 두고 있으며, 아이템을 정의하는 키워드와 함께 사용자의 취향 및 요구 사항에 대한 정보를 담고 있는 고객 프로필을 활용합니다. 이러한 프로필은 설문 등을 통해 명시적으로 수집할 수도 있고, 시간이 지남에 따른 고객의 거래 행동 데이터로부터 학습하여 얻을 수도 있습니다.
협업 필터링(Collaborative) 방식
협업 필터링 접근법은 사용자의 사회적 환경까지 고려한다는 점에서 차별화됩니다. 해당 사용자와 취향이나 선호가 비슷한 다른 고객들의 의견을 바탕으로 아이템을 추천합니다.
추천 시스템은 아이템 간의 유사성과 사용자 선호도를 파악하기 위해 정보 검색, 통계학, 머신러닝, 데이터 마이닝 등 다양한 분야의 폭넓은 기법을 활용합니다.
추천 시스템의 장점과 개인화 마케팅
추천 시스템의 가장 큰 장점은 전자상거래 사용자에게 개인화(personalization)를 지원하고, 진화된 일대일(one-to-one) 마케팅을 가능하게 한다는 점입니다. 협업 필터링 추천 시스템을 도입한 선구자인 아마존(Amazon)은 마케팅 전략의 핵심 요소로 "고객 한 명 한 명을 위한 맞춤형 스토어"를 내세우고 있습니다.
개인화는 사용자와 기업 모두에게 이익이 됩니다. 기업은 더 정교한 사용자 모델을 확보함으로써 고객의 요구를 깊이 이해하게 되며, 이러한 요구를 충족하는 과정에서 연관 상품 교차 판매(cross-selling), 업셀링(upselling), 제품 친화도 분석, 일대일 프로모션, 객단가 향상, 고객 유지율 증가 등 더 높은 성과를 거둘 수 있습니다.
협업 추천 시스템의 작동 원리
협업 추천 시스템은 사용자 u와 비슷한 다른 사용자들이 과거에 평가한 아이템을 바탕으로, 해당 사용자 u에 대한 아이템의 유용성을 예측하려고 합니다. 예를 들어 도서를 추천할 때, 협업 추천 시스템은 사용자 u와 의견이 일치해 온 이력이 있는 여러 사용자를 먼저 찾아냅니다. 협업 추천 시스템은 구현 방식에 따라 메모리(휴리스틱) 기반 방식과 모델 기반 방식으로 나눌 수 있습니다.
메모리 기반 방식은 휴리스틱을 사용하여 사용자들이 과거에 평가한 전체 아이템 집합을 기반으로 평점 예측을 수행합니다. 특정 아이템-사용자 조합에 대한 미지의 평점은, 동일한 아이템에 대해 유사한 사용자들이 부여한 평점들의 집계값으로 계산됩니다.