AncomWiki

추천 시스템 분석: 아마존과 넷플릭스의 취향 예측 원리

Properties1
description이 문서는 아마존, 넷플릭스 등 주요 플랫폼에서 활용되는 추천 시스템의 핵심 알고리즘인 '협업 필터링(Collaborative Filtering)'을 분석한다. 협업 필터링은 크게 '사용자 기반(User-User)'과 '아이템 기반(Item-Item)' 두 가지 방식으로 나뉜다. 사용자 기반은 유사한 취향을 가진 다른 사용자를 찾는 방식이지만 데이터 부족과 블록버스터 효과로 인한 한계가 있다. 반면, 아이템 기반은 아이템 간…

7 min read

추천 시스템 분석: 아마존과 넷플릭스의 취향 예측 원리

Source

  • Evernote/Advanced View Required/추천 시스템 분석 – 어떻게 아마존과 넷플릭스가 당신의 취향을 예상하는가 kth 개발자 블로그.md

Summary

이 문서는 아마존, 넷플릭스 등 주요 플랫폼에서 활용되는 추천 시스템의 핵심 알고리즘인 ‘협업 필터링(Collaborative Filtering)‘을 분석한다. 협업 필터링은 크게 ‘사용자 기반(User-User)‘과 ‘아이템 기반(Item-Item)’ 두 가지 방식으로 나뉜다. 사용자 기반은 유사한 취향을 가진 다른 사용자를 찾는 방식이지만 데이터 부족과 블록버스터 효과로 인한 한계가 있다. 반면, 아이템 기반은 아이템 간의 유사도를 계산하여 추천하는 방식으로, 데이터가 적을수록 효율적이며 넷플릭스와 아마존이 주로 채택하고 있다. 또한, 사용자 취향의 변동성 문제와 유사 아이템 추천의 한계를 극복하기 위해 ‘차원 축소(Dimensionality Reduction)’ 기법, 특히 특이값 분해(SVD)를 사용하여 고차원 데이터를 일반화된 패턴(예: 짠 음식 선호 등)으로 압축하여 추천 정확도를 높이는 방법을 설명한다.

Key Points

  • 추천 시스템은 Netflix(대여 2/3), Amazon(판매 35%) 등에서 비즈니스 성과에 지대한 영향을 미친다.
  • 협업 필터링의 두 가지 주요 방식: 사용자 기반(User-User)과 아이템 기반(Item-Item).
  • 사용자 기반 필터링은 공통 데이터 부족과 인기 아이템 편중 현상으로 인해 한계가 있다.
  • 아이템 기반 필터링은 아이템 간 유사도를 기반으로 하며, 데이터 누적 시 정확도가 향상되어 현대 추천 시스템의 주류다.
  • 사용자 취향의 불일치(Inconsistency)와 유사 아이템 추천의 한계를 해결하기 위해 차원 축소(Dimensionality Reduction)가 필요하다.
  • 특이값 분해(SVD)를 통한 차원 축소는 수천 가지 아이템의 선호도를 수십 개의 일반화된 차원(예: 짠맛, 구이 선호)으로 압축하여 효율적인 추천을 가능하게 한다.

그래프 뷰

백링크