Contents Based Filtering

<aside> 💡 기존에 좋아했던 아이템과 성격이 비슷한 아이템을 추천하는 방식 콘텐츠 기반 필터링(Content-based Filtering)은 해당 아이템의 도메인을 활용한 것으로 유저가 관심있는 아이템의 속성을 분석하여 새로운 아이템을 추천해주는 것입니다.

Collaborative Filtering(Item-based)와 다른 점은 다른 유저의 정보가 사용되지 않는다는 점입니다.

</aside>

사용자 혹은 아이템에 대한 프로필 데이터를 가지고

• 내가 좋아했던 아이템과 비슷한 유형의 아이템을 추천하거나
• 나와 비슷한 유형의 사람이 좋아하는 아이템을 추천
• 예를 들면, 내가 산 옷과 비슷하게 생긴 옷을 추천해주거나 뉴스 기사가 비슷하거나 관련된 다른 뉴스를 추천해주는 경우에 자주 사용됩니다.

이러한 콘텐츠 기반 필터링은 아이템들의 feature를 잘 추출하기 위한 TF-IDF(Term Frequency - Inverse Document Frequency)나 Word2Vec과 같은 Feature Extraction 방법론이 사용됩니다. 또한, 추출된 feature를 통해 **아이템을 비교할 유사도(Similarity)**에 대한 선택도 중요합니다.

• 장점 : 유저의 선호도에 대한 정보 없이, 아이템 정보만으로 추천 가능
• 단점 : 아이템을 설명할 수 있는 데이터(item's metadata) 구축이 필요.

Collaborative Filtering (User-based CF)

<aside> 💡 프로필 데이터 없이, 사용자의 과거 행동 데이터만 가지고 추천하는 방식

</aside>

사용자간의 유사도를 계산하여 다른 사용자의 리스트를 추천해주는 방식. 아이템에 대한 사용자의 평가 데이터가 존재할 때 행렬을 구성하여 사용자간 유사도 계산이 가능. 따라서 서비스 초창기 데이터가 별로 없거나 신규 사용자에 대해서는 추천 정확도가 떨어짐. 프로필 데이터 없이, 사용자의 과거 행동 데이터만 가지고 추천을 진행.

• 장점
  • 이 방식의 장점은 도메인에 제약없이 데이터 셋을 쌓기가 쉽다는 것.
  • 또한 일반적으로 Contents Based Filtering 보다 더 정확하다고 알려져 있음.
• 단점
  • 하지만 신규 사용자의 경우, 관찰된 행동 데이터가 없거나 적기에
  • 이런 경우 추천의 정확도가 급격히 떨어지는 Cold start 문제가 발생할 수 있음.
• 왓챠 예시

CF 추천 알고리즘 구현