[Ch01] 1.4 Domain-Specific Challenges in Recommender Systems

1.4 Domain-Specific Challenges in Recommender Systems

• 시간 데이터, 위치 기반 데이터 및 소셜 데이터와 같은 서로 다른 도메인에서 권장 사항의 컨텍스트가 중요한 역할
• 상황별 추천 시스템의 개념은 이러한 도메인에서 발생하는 추가 측면 정보를 다루기 위해 개발
• 이 개념은 임시 데이터, 위치 데이터 또는 소셜 데이터와 같은 다양한 유형의 데이터에 대해 서로 다른 수정과 함께 사용

---

1.4.1 Context-Based Recommender Systems

---

• 컨텍스트 기반 또는 컨텍스트 인식 추천시스템은 다양한 유형의 컨텍스트 정보를 고려하는 동시에 추천항목을 제시

• 컨텍스트는 뭘까요?

  RightBrain lab - 라이트브레인 블로그

• 상황별 정보에는 시간, 위치 또는 소셜 데이터가 포함

• 컨텍스트 기반 추천 시스템은 기본 아이디어가 다양한 도메인별 설정과 관련이 있기 때문에 매우 강력

---

1.4.2 Time-Sensitive Recommender Systems

---

• 추천항목은 시간에 따라 달라질 수 있음
• 추천 시스템의 시간적 측면은 다음과 같은 여러 가지 방법으로 반영 됨

1. 커뮤니티의 태도가 변화하고 사용자의 관심사가 시간에 따라 변화함에 따라 항목의 등급이 시간에 따라 달라짐 (사용자의 관심, 호감, 혐오 및 패션 등)
   → 협업 필터링 시스템에서 시간을 명시적 매개변수로 통합하여 만들어짐

2. 항목의 등급은 특정 시간, 요일, 월 또는 계절에 따라 달라질 수 있음 (계절별 옷 추천)

   → 컨텍스트 기반 추천시스템의 특수한 경우로 볼 수 있음

• 시간적 추천 시스템은 등급 매트릭스가 희박하고 특정 시간적 컨텍스트를 사용하는 것이 희소성 문제를 악화시킨다는 사실 때문에 도전적

---

1.4.3 Location-Based Recommender Systems

---

• 장소 추천에는 항상 위치 측면이 내장
• 장소 추천 시스템에 공통적인 공간적 위치에는 두 가지 유형

1. 선호 지역성

   • 사용자의 지리적 위치는 사용자의 기본 설정에서 중요한 역할
   • 위스콘신 주의 사용자는 뉴욕의 사용자와 동영상 기본 설정이 다를 수 있음
   • 이러한 유형의 위치를 기본 설정 지역이라고 함

2. 이동 지역

   • 항목(예: 레스토랑)의 지리적 위치는 사용자의 현재 위치에 따라 항목의 관련성에 영향을 미칠 수 있음
   • 사용자는 일반적으로 현재 위치에서 멀리 이동하려고 하지 않음
   • 이러한 유형의 지역을 이동 지역이라고 함

• 두가지의 차이
  • 전자(선호 지역성)는 상황에 맞는 시스템에 가깝고 후자(이동 지역성)는 대개 임시 휴리스틱으로 설계

---

1.4.4 Social Recommender Systems

---

• 소셜 추천 시스템은 네트워크 구조, 소셜 단서 및 태그 또는 이러한 다양한 네트워크 측면의 조합을 기반으로 함
• 일반적으로 사회적 단서 및 태그를 기반으로 하는 추천 시스템은 순전히 구조적 측면에 기반을 둔 추천 시스템과 차이가 있음

1.4.4.1 Structural Recommendation of Nodes and Links

• 소셜 네트워크를 포함한 다양한 유형의 네트워크는 노드와 링크로 구성
• 대부분의 경우 노드 및 링크를 추천
• 관심 노드의 예를 사용할 수 있는 경우, 이러한 노드를 다른 관심 노드를 결정하기 위한 교육 데이터로 사용할 수 있음
• 이 문제를 집단 분류라고 함

1.4.4.2 Product and Content Recommendations with Social Influence

• 다양한 형태의 제품 및 콘텐츠 권장사항은 네트워크 연결 및 기타 사회적 단서의 도움을 받아 수행 됨
• 이 문제를 바이럴 마케팅이라고도 함
• 바이럴 마케팅에서는 입소문을 이용한 제품을 추천
• 이 목표를 달성하기 위해서는 네트워크에서 영향력 있고 토픽적으로 관련이 있는 실체를 결정할 수 있는 능력이 중요
• 소셜 네트워크에서는 이 문제를 영향 분석이라고 함

1.4.4.3 Trustworthy Recommender Systems

• 사용자는 다른 사용자의 리뷰에서 신뢰 또는 불신을 표현하거나 다른 사용자와의 신뢰 또는 불신 관계를 직접 지정할 수 있습니다.
• 신뢰 정보는 보다 강력한 추천항목을 만드는 데 매우 유용

1.4.4.4 Leveraging Social Tagging Feedback for Recommendations

• 사용자는 자신의 피드백을 추천 시스템에 통합하는 다양한 방법을 사용할 수 있음
• 피드백의 가장 일반적인 형태는 소셜 태그
• 태그는 태그가 둘 다와 연결되어 있기 때문에 사용자의 관심사와 항목의 내용에 대한 유용한 정보를 제공
• 태그는 추천을 수행하는 데 유용한 컨텍스트 역할을 함
• 상황에 맞는 추천 방법을 사용하여 이 피드백을 추천 프로세스에 직접 통합할 수 있음