[FastCampus The RED 추천시스템] 추천 시스템을 돌릴 때 고려사항

Prediction vs Discovery

	Prediction	Discovery
설명	사용자의 다음에 행위(클릭/구매/시청 등)할 아이템을 예측하여 추천	사용자가 인지하지 못하는 아이템을 추천
예	‘매트릭스’를 본 사용자에게 ‘매트릭스2’, ‘매트릭스3’를 추천	‘매트릭스’를 본 사용자에게 ‘인셉션’, ‘블레이드러너’를 추천
의미	사용자의 navigation step을 단축	Longtail 아이템을 제공하여 사용자의 서비스 exploration을 높임.

 

Beyond Accuracy

-       Accuracy : 유저의 평점/소비에 맞게 예측

-       Diversity : 다양한 유형의 아잍메이 우천되는지

-       Serendipity 예상치 못한 아이템이 추천되는지

-       Novelty 그동안 경험하지 못한 새로운 아이템이 추천되는지

-       Coverage 얼마나 많은 아이템 (또는) 사용자에게 추천되는지

 

Trust and explanation

-       추천 결가에 대해 사용자가 신뢰할 수 있어야 함

-       추천 결과가 어떻게 생성되었는지 설명 제공

 

UI / UX

예시. 넷플릭스

Netflix 옛날 버전

2021년 Netflix

 

 

시스템 성능

-       Throughput : 얼마나 많은 사용자에게 정확도가 높은 추천을 가능하게 하느냐

-       Latency : 얼마나 짧은 시간에 제공

-       Scalability : 얼마나 많은 사람들에게 작은 시스템으로 추천하느냐.

-       Recency : 사용자들이 어떤 데이터를 반영할 때 이것들을 얼마나 빨리 Feedback을 할 수 있느냐

Deeplearning : computation cost가 상당히 큼. 따라서 이러한 요소들을 반영하기에는 부담된다.

 

Recsys를 디자인 한다는 것

-       추천 시스템은 단순히 rating을 예측하는 것만이 아니다.

-       Real-lift recsys를 디자인 한다는 것은

• Feature engineering
• Training dataset
• Metrics
• Experimentation and A/B testing
• System scalability
• …

-       이런 이슈들에 집중하는 것이다.

 복잡한 모델을 만드는 것 보다는 실제 사용자들이 사용할 수 있는 / 사용하기 좋은 모델을 만드는 것이 중요하다.