[Ch02] 2.1 Introduction

2.1 Introduction

• 메모리 기반 알고리즘이라고도 하는 이웃 기반 협업 필터링 알고리즘은 협업 필터링을 위해 개발된 초기 알고리즘 중 하나
• 해당 알고리즘은 유사한 사용자가 유사한 등급 동작 패턴을 표시하고 유사한 항목은 유사한 등급을 받는다는 사실에 기초

 

이웃 기반 알고리즘 두가지 유형

1. 사용자 기반 협업 필터링
   • 유사한 사용자가 대상 사용자 A에 대해 제공하는 등급을 사용하여 A에 대한 권장 사항을 제시
   • A의 예측 등급은 각 항목에 대한 이러한 "피어 그룹" 등급의 가중 평균 값으로 계산
2. 항목 기반 협업 필터링
   • 대상 항목 B에 대한 권장 사항을 만들기 위해 첫 번째 단계는 항목 B와 가장 유사한 항목 집합 S를 결정하는 것
   • 그런 다음 항목 B에 대한 특정 사용자 A의 등급을 예측하기 위해 A에 의해 지정된 세트 S의 등급이 결정
   • 이러한 등급의 가중 평균은 항목 B에 대한 사용자 A의 예측 등급을 계산하는 데 사용

 

사용자 기반, 항목 기반 협업 필터링 차이점

1. 사용자 기반(user-based)
   • user A의 특정 item의 rating을 예측할 때 user간의 유사도를 바탕으로 해당 item의 rating을 판단
   • 등급이 인접 사용자의 등급을 사용하여 예측
   • 이웃이 사용자 간의 유사성(등급 매트릭스 행)에 의해 정의
2. item 기반(item-based)
   • 특정 user A가 rating한 item중에서 알고자 하는 특정 item과 유사한 item들의 세트 S를 만들어 특정 item의 rating을 판단
   • 등급은 인접(즉, 밀접하게 관련된) 항목에 대한 사용자 자신의 등급을 사용하여 예측
   • 이웃이 항목 간의 유사성(등급 매트릭스 열)에 의해 정의

→ 두 방법은 상호보완적인 관계를 공유함. 그러나 각 방법을 사용하여 달성되는 추천의 유형에는 상당한 차이가 존재.

 

이웃 기반 협업 필터링 공식화

• user-item 등급 matrix를 사용자(m)과 n개 item(n)을 포함하는 불완전 매트릭스를 **$R = [r_{uj}]$**이라고 할 때, 이웃 기반 협업의 공식화하는 방법은 두 가지가 있습니다.해당 방법은 추천 시스템의 가장 기본적인 방법입니다.2. 상위 k개의 item 혹은 상위 k개의 사용자 결정전통적인 추천 알고리즘에서 "상위 k 문제"는 상위 k개 사용자가 아닌 상위 k개 항목을 찾는 과정을 말합니다.→ 위의 두 가지 문제는 밀접한 관계가 있습니다. 특정 사용자의 상위 k개 item을 결정하기 위해 해당 사용자에 대한 각 항목의 등급을 예측하고 예측한 등급으로 상위 k개 item을 선택합니다.
• → 이웃 기반 방법은 효율성을 향상시키기 위해 예측에 필요한 일부 데이터를 오프라인 단게에서 미리 컴파일 하거나, 주변의 이웃을 미리 샘플링하여 컴파일 하기도 합니다.
• 상위 k개 사용자를 찾는 경우는 마케팅 노력으로 공략할 최고의 사용자를 결정하는 데 사용될 수 있기 때문에 판매자에게도 유용합니다.
• 상위 k개item을 결정하는 문제는 상위 k개 사용자를 찾는 문제보다 더 일반적입니다.
• 이 경우 항목 $j$에 대한 사용자 $u$의 등급 $r_{uj}$ 누락이 예측됩니다.
• 1. user-item 조합의 등급 값 예측

 

2장에서 다루는 내용

• 등급 matrix의 일부 속성이 협업 필터링(CF) 알고리즘에 미치는 영향 연구
• 등급 matirix가 추천 효과 및 효율성에 미치는 영향에 대해 연구
• 이웃 기반 방법을 구현하기 위한 클러스터링 및 그래프 기반 표현 사용에 대한 논의
• 이웃 기반 방법과 회귀 모델링 기법의 연관성에 대해서 논의
  • 회귀 분석 방법은 이웃 기반 방법에 대한 최적화 프레임워크를 제공 함
  • 이웃 기반 방법은 최소 제곱 회귀 모델의 경험적 근사치인 것으로 보여질 수 있음(sec.2.6)
  • 해당 최적화 프레임워크는 이웃 기반 방법을 잠재 인자 모델과 같은 다른 최적화 모델과 통합할 수 있는 길을 열어줌.(Ch03.sec.3.7)