❓ 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
- Scalability
- 실제 서비스 상황은 다양한 종류의 데이터
- 학습 또는 분석에 사용한 데이터와는 전혀 다른 실전 데이터
- 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?
- Proactive Recommender System
- 특별한 요청이 없어도 사전에 먼저 제공하는 추천서비스
- 모바일, 인터넷 등 어디서든 유저에게 끊임없이 좋은 정보를 추천할 수 있는 서비스
- 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?
- Cold-Start Problem
- 추천서비스를 위한 데이터 부족
- 기본적인 성능을 보장하는 협업필터링 모델 구축이 쉽지 않은 것이 일반적
- 컨텐츠 기반 또는 지식 기반의 방법 역시 서비스로 적용하기 어려움
- Privacy preserving Recommender System
- 개인 정보 등 유저 정보가 가장 중요하지만, 직접적으로 사용하기 어려움
- Mobile devices and Usage Contexts
- Personal Computing, Location-based-Service(LBS)
- 개별 상황 또는 환경 등에 따라 다른 컨텍스트 사용
- 개인적인 부분들에 대한 반영이 힘들다!
- Long-term and Short-term user preference
- 개인 또는 그룹의 단기/장기 관심사항
- 추천받고 싶은 아이템이 현재 또는 과거 중 어즈 시기와 관련 있는지 파악하기 어려움
- Generic User models and Cross Domain Recommender System
- 하나의 모델을 여려가지 데이터에 적용하기 어려움
- 비슷한 도메인의 데이터를 활용해도 동일한 성능의 추천시스템을 기대하기 어려움
- Stravation and Diversity
- Starvation: 필요한 컴퓨터 자원을 끊임없이 가져오지 못하는 상황
- 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.
'Recommendation System' 카테고리의 다른 글
추천 시스템의 종류 (1) | 2023.04.13 |
---|---|
현재의 추천시스템은? (0) | 2023.04.13 |
Introduction to Recommend System (0) | 2023.04.13 |