추천시스템의 고질적인 문제

그림1. cold start problem

추천시스템은 고질적인 문제가 있습니다.

바로 rating에 대한 정보가 부족한 문제입니다.

 

사실 이는 너무나도 당연한 문제입니다.

세상에는 너무나 많은 아이템있는 반면에 그걸 사용할 수 있는 유저와 유저의 시간은 제한되어있기 때문입니다.

뿐만 아니라 아이템을 소비한 유저 중 소수만이 평가를 하기에 평가 데이터는 대부분 sparse할 수 밖에 없습니다.

 

즉, 추천시스템이 필요한 이유와 고질적인 문제가 동일한 이유에서 비롯되는 것입니다.

 아이템의 수 >>>>> 소비할 수 있는 유저의 수 

이 외에도 cold start problem이 존재합니다.

새로 추가된 유저나 아이템은 rating 정보가 없기 때문에 발생하는 문제입니다.

 

이러한 문제들을 해결하기 위해 다양한 방법론이 등장했는데요, 이는 다음에 정리하겠습니다.

 

 

---

추가로 추천시스템은 4가지 제약사항이 존재합니다.

 

연산량의 제약, 도메인에 따라 다른 최적화 모델, 비즈니스 목표 차이, no ground truth

 

먼저 연산량의 제약인데요, 추천시스템은 서비스의 끝 단에서 사용되어 유저에게 제공됩니다.

따라서 계산할 수 있는 시간에 제약이 있고, 유저의 수가 많은 서비스에서는 복잡한 모델을 쓸 수가 없습니다.

유튜브를 보는데 추천동영상이 나오는데 5초가 걸린다면 꽤나 불편한 감정을 느낄 것입니다.

 

또한 도메인에 따라 최적화된 모델이 달라집니다.

가장 대표적인 예로 네이버쇼핑이나 멜론이 있습니다.

대부분의 사람이 노래를 들을 때 best seller를 선호하고, 이를 이길 수 있는 알고리즘은 많지 않습니다.

즉, 멜론에서는 탑100을 사용하고 쇼핑에서는 판매량 순이나 인기순으로 정렬해서 보기를 선호하지 추천을 받길 원하지 않는 다는 것입니다. 

이처럼 도메인에 따라 최적화된 모델이 달라질 수 있습니다.

 

비즈니스 목표에 따라 추천시스템이 달라질 수 있습니다.

추천시스템의 목표가 클릭 전환 비율이 높은 걸 선호하는지, 구매로 전환되는 비율이 높은 걸 선호하는지에 따라 추천시스템은 다르게 적용될 것입니다.

 

마지막으로 no ground truth 문제입니다.

정확한 정답이 없다는 것으로, 소비자도 자기가 뭘 좋아하는지 모르기 때문에 발생하는 문제입니다. 

사실 유튜브를 사용하면서 어떤 것을 좋아해서 보기보다는, 추천해줘서 보는 경우가 많습니다.

이처럼 소비자는 자기의 성향을 정확히 파악하지 못하는 경우가 많습니다.

 

 

 

 

---

출처

그림1: https://analyticsindiamag.com/cold-start-problem-in-recommender-systems-and-its-mitigation-techniques/