[Part 3] Ch01. Hybrid Recommender System

Hybrid Recommender System

---

01. Review

Contents-based RS	Collaborative Filtering
장점 다른 사용자에 의존할 필요가 없다 새로운 아이템을 추천할 수 있다	장점 집단지성을 활용해 평가 품질이 높아진다 잠재적 특징을 활용해 폭넓은 추천이 가능하다 Implicit feedback 활용 가능하다 데이터가 쌓일수록 추천 품질이 올라간다
단점 아이템과 비슷한 분류를 추천할 수밖에 없다 잠재적 의미를 활용하기 어렵다	단점 cold-start 초기 사용자에게 추천이 어렵다 과거 데이터와 큰 데이터에 의존

 

---

02. Hybrid?

• 다양한 데이터와 다양한 알고리즘을 조합하는 방식
• → 유저&아이템 프로필, 유저&아이템의 상호관계, 유저의 이웃 정보, 아이템의 이웃 정보
• 가용할 수 있는 최대 정보, 지식을 다양한 source로부터 얻어서 활용
• 다양한 추천 알고리즘의 장점만 모아서 성능이 좋은 시스템을 만드는 방식

---

03. Hybrid Recommender System?

Contents-based, Collaborative Filtering이 각자 잘하는 역할을 살려주고 도메인지식과 맥락을 활용

---

Hybrid Methods

Weighted Ensemble	Soft Ensemble 또는 Hard Vote와 같은 방법으로 여러 모델의 추천 결과를 하나로 합쳐 최종 추천 아이템을 정하는 방식 e.g.) model 1, model 2, ... , model n에서 각각 item 1에 대한 score를 weighted ensemble한다. 이 때 각 모델의 성능에 따라 가중치를 둘 수 있다.
Mixed	추천시스템이 적용될 플랫폼에 여러 추천 알고리즘을 활용하고, 이 때 알고리즘의 추천 결과를 모두 보여주는 방식
Switch	플랫폼 내 사용자 또는 서비스 상태 등 특정 상황을 고려하여 여러 추천 알고리즘의 추천 결과를 선택적으로 보여주는 방식
Feature Combination	보유하고 있는 데이터로부터 얻을 수 있는 다양한 feature를 모두 조합하여 추천 알고리즘을 학습하고 추천하는 방식
Meta-Level	여러 추천 알고리즘을 활용할 때 첫번째 모델이 다음 모델의 input이 되면서 서로가 서로의 정보를 학습해 추천하는 방식

 

---

Evaluate Hybrid Methods

1. 서비스 관점
   1. Business KPI
   2. Online/Offline evaluation
2. 모델 성능 관점
   1. Accuracy, Coverage, Popularity
   2. Diversity, Serendipity(Novelty), Scalability
   3. Personalization
   4. Rating Predction: RMSE, NDC

1. 1.