Conext-Aware 추천 시스템 (맥락 기반)

ㅇ 맥락 기반 추천 시스템

  - 맥락 (유저의 상황)을 이해한 추천 시스템 ex) 날씨, 시간, 장소, 메타정보(판매자 정보), 대표 키워드, 태그 등등

  - 유저와 아이템의 단순 상호관계 파악뿐만 아니라 상황 정보도 포함한 포괄적인 추천시스템

ㅇ Contents와 Context의 차이를 이해하고 추천 시스템 구축해야한다.

  - 무서운 영화에 관하여 비슷한 장르만 추천해주는게 아니라 고객이 좋아하는 시간 정보, 날씨 등을 포함하는게

    맥락 기반 추천 시스템

ㅇ 기존 방법과 다르게 context를 기반으로 결과에 대해 설명이 가능함

ㅇ 이제는 유저 x 아이템 x 문맥 으로 평가하게 되는 것 -> 기존의 유저X아이템에서 차원이 늘어남

ㅇ Explict하게 또는 Implict하게 데이터를 얻을 수 있다. 

ㅇ Context 정보를 활용하여 A/B test등 다양한 실험을 할 수 있다. 

ㅇ Context-Aware 추천시스템은 도메인 지식을 더욱 잘 활용할 수 있는 방법

 

ㅇ Contextual information 적용

  - Contextual Pre-filtering

    (1) context 정보를 활용하여 가장 관련있는 2D (유저X아이템) 데이터를 만든다

    (2) context 정보를 기준으로 유저 또는 아이템을 나눔

       (context는 query의 역할로써 가장 관련있는 데이터를 선택하는 역할)

    (3) 데이터 분류를 너무 구체적으로 할 경우 데이터가 부족할 때 cold-start problem이 발생할 수 있으니

        일반화가 필요 (ex) 월 화 수... -> 주중)

    (4) 필터링을 위해 계산 시간이 오래 걸림

 

  - Contextual Post-filtering

    (1) context정보를 무시하고 유저, 아이템 피처로 2D 추천시스템 모델을 먼저 학습

    (2) 모델의 추천결과에 context 정보를 활용하여 필터링

        (유저의 구체적인 취향 또는 패턴을 context를 통해 찾을 수 있다)

    (3) Heuristic approach (휴리스틱 접근법)

       ㄱ. 주어진 context로 특정 user가 관심있는 공통 item의 특징을 활용

    (4) Model based approach

       ㄱ. 주어진 context로 user가 item을 선호할 확률을 예측하는 모델을 만듦

 

  - Contextual Modeling

    (1) 모든 정보(유저, 아이템, context)를 정보 활용하여 모델링

    (2) 기존 2D에서 N-차원 형태로 확장하여 모델링

    (3) N-차원 형태이기 때문에 Tensor Factorization (n-차원을 다루는 matrix가 tensor), context-aware svm,

        pairwise interaction tensor factorization, factorization machine 등등이 contextual modeling 예시