추천시스템의 한계

❓ 과연 추천 시스템이 모든 문제를 해결해줄까? => 그건 당연히 아니다.

 

 

추천시스템은?

• 추천시스템은 profiling한 User와 Item으로 적절한 것을 추천한다.
• 추천시스템은 User와 Item의 관계를 파악하고, 점수화 한다.
• 추천시스템은 Push Infomation, 검색은 Pull Information이다.
• 추천시스템은 랭킹 문제 또는 예측 문제이다.
• 컨텐츠기반, 협업필터링, 딥러닝 기반 등 추천알고리즘 종류는 다양하다.

 

추천 시스템의 한계

1. Scalability
   1. 실제 서비스 상황은 다양한 종류의 데이터
   2. 학습 또는 분석에 사용한 데이터와는 전혀 다른 실전 데이터
   3. 예를들어 갑자기 유저들 사이에 유행하는 트랜드가 바뀌어 상품 구매하는 패턴이 완벽히 바뀌어 버린다면, 이전 데이터에 대한 학습만 진행한 모델이 이를 잘 예측해 낼 수 있을지?
2. Proactive Recommender System
   1. 특별한 요청이 없어도 사전에 먼저 제공하는 추천서비스
   2. 모바일, 인터넷 등 어디서든 유저에게 끊임없이 좋은 정보를 추천할 수 있는 서비스
   3. 새로운 정보에 대한 갈증을 느끼는 유저의 니즈를 어떻게 충족 시켜 줄수 있을까? 추천시스템은 결국 기계 학습의 한 부분이기 때문에 주어진 데이터에 대해 학습을 진행하게 된다. 이러한 상황에서 이전에 학습하지 못한것에 대한 추천을 모델이 진행해 줄 수 있을까?
3. Cold-Start Problem
   1. 추천서비스를 위한 데이터 부족
   2. 기본적인 성능을 보장하는 협업필터링 모델 구축이 쉽지 않은 것이 일반적
   3. 컨텐츠 기반 또는 지식 기반의 방법 역시 서비스로 적용하기 어려움
4. Privacy preserving Recommender System
   1. 개인 정보 등 유저 정보가 가장 중요하지만, 직접적으로 사용하기 어려움
5. Mobile devices and Usage Contexts
   1. Personal Computing, Location-based-Service(LBS)
   2. 개별 상황 또는 환경 등에 따라 다른 컨텍스트 사용
   3. 개인적인 부분들에 대한 반영이 힘들다!
6. Long-term and Short-term user preference
   1. 개인 또는 그룹의 단기/장기 관심사항
   2. 추천받고 싶은 아이템이 현재 또는 과거 중 어즈 시기와 관련 있는지 파악하기 어려움
7. Generic User models and Cross Domain Recommender System
   1. 하나의 모델을 여려가지 데이터에 적용하기 어려움
   2. 비슷한 도메인의 데이터를 활용해도 동일한 성능의 추천시스템을 기대하기 어려움
8. Stravation and Diversity
   1. Starvation: 필요한 컴퓨터 자원을 끊임없이 가져오지 못하는 상황
   2. 유저/아이템이 다양하고, 모든 유저/아이템에 더 많은 관심을 부여해야함.

 

Long Tail Economy

• 보통 많이 추천되는 = 유명한? content들의 스코프는 매우 좁은편
• 반면 추천되지 않은 영역의 스코프는 위 그림처럼 매우 넓은 것을 알 수 있다 => 이 활용하지 못한 90%의 데이터를 어떻게 쓸 수 있을까?

 

⭐⭐⭐⭐⭐즉, 추천시스템에 정답은 없다! 있을수가 없다!⭐⭐⭐⭐⭐

• 추천시스템을 꼭 특정 케이스를 맞춰야 하는 문제로 접근하는 것을 옳지 않다.
• 즉 정량적 평가를 하는것은 어렵다. 이 대안으로 보통 정성적 평가를 진행한다.