문맥 (context)
인터넷을 통해 사용자가 원하는 정보를 검색할 수 있는 검색 시스템이 존재하기는 하나, 정보의 양이 늘어나면서 이와 같은 검색 시스템도 사용자의 기호에 맞는 정보를 제공하는 있어 한계를 보이고 있으며, 이러한 문제를 해결하기 위해 추천 시스템에 대한 관심이 높아지고 있다.
추천 시스템이란 사용자에 관한 정보와 웹 페이지에서 추출한 정보 혹은 기타 다른 정보에 기반해서 사용자에게 필요할 것으로 예상되는 정보나 상품을 추천해 주는 시스템이다.
추천 시스템은 사용자가 추천을 요청할 경우 컨텐츠를 추천하거나 사용자의 요청과는 무관하게 정보 제공의 목적으로 컨텐츠 추천 정보를 제공하기도 한다.
이와 같은 추천 시스템은 현재 아마존과 같은 온라인 쇼핑몰이나 유튜브와 같은 온라인 멀티미디어 서비스에 주로 이용되나, 점차 대부분의 온라인 서비스에 이용될 것으로 예상되고 있다.
추천 엔진을 통한 추천 시스템의 종류는 구현하는데 사용되는 기술에 따라 크게 협업 필터링(collaborative filtering)과 내용기반 필터링(content-based filtering), 연관규칙 기반(association rule-based) 추천 등의 방식이 있으며, 이들 기술을 두 개 혹은 그 이상 결합한 하이브리드 시스템(hybrid system)도 선보이고 있다
협업 필터링은 사용자와 유사한 선호도를 가지는 다른 사용자들의 평가 정보를 기초로 하여 컨텐츠를 추천하는 방식이다. 협업 필터링 방식에서는 준거 그룹을 설정하며, 여기서 준거 그룹이란 추천을 요청한 사용자와 유사한 선호를 가지는 다른 사용자들의 집합을 의미한다.
협업 필터링에서는 준거 그룹의 사용자들이 평가한 평점 정보에 기초하여 추천을 요청한 사용자에 대해 특정 컨텐츠의 평점을 예측하며, 예측된 평정 점보를 기초로 하여 컨텐츠 추천을 수행한다.
내용기반 필터링은 상품을 기술한 문서(설명서 혹은 상품 소개 웹페이지)의 내용을 분석하여 추천을 한다. 예를 들어 현재 사용자가 상품 1에 관한 웹 페이지를 관심 있게 읽고 있다면 이 페이지의 내용을 문헌 정보학 분야에서 잘 알려진 키워드 빈도 분석 방법을 이용하여 이와 비슷한 내용을 포함하고 있는 페이지를 찾는다. 이때, 상기 페이지가 담고 있는 상품은 현재 사용자가 보고 있는 상품 1과 비슷한 것일 것이므로 현재 사용자가 관심을 가질 가능성이 크다. 따라서 상기 페이지 또는 상기 페이지에 포함된 상품들을 현재 사용자에게 추천한다.
연관규칙 기반 추천 기술은 사용자들의 과거 구매 이력을 통해 추천을 하는 방법이다. 예를 들어, 어떤 온라인 쇼핑몰의 사용자의 구매 기록에서, 상품 1을 구매한 사람들의 다른 상품 구매기록을 살펴보면 상품 1과 함께 구매하게 되는 다른 상품의 리스트를 작성할 수 있다. 예를 들어 상품 1을 구매한 사람 중 50%의 사람이 상품 2를 구매하였고, 30%의 사람이 상품 3을 구매하였고, 등과 같은 식으로 구매비율이 높은 순으로 상품 리스트를 작성할 수 있다. 이것이 상품 1과 다른 상품이 연관되어 있는 규칙이다. 상기에서 만일 현재 사용자가 상품 1을 구매하였다면, 이 사용자는 상품 2를 구매할 가능성도 크므로 상품 2를 추천할 수 있다.
현재 추천 시스템들은 추천이 적용되는 분야에 따라서 상술한 추천 방식들을 적절히 선택하여 사용하고 있으며, 쇼핑몰이나 멀티미디어 서비스에는 협업 필터링이 주로 이용되고, 블로그와 같은 웹문서 추천에는 내용기반 필터링이 주로 이용되고 있다.
이와 같은 추천 시스템은 컨텐츠 추천을 위해 다양한 파라미터를 필요로 한다. 예를 들어, 협업 필터링의 경우, 준거 그룹을 설정하여야 하는데, 준거 그룹의 사이즈를 설정할 필요가 있다. 또한, 준거 그룹은 해당 사용자와 선호도가 유사한 다른 사용자들의 집합으로서, 준거 그룹에 포함되는 사용자 선정을 위해서는 유사도가 연산되어야 하며, 어떠한 유사도 연산 방식을 사용하는가도 중요한 파라미터 중 하나이다.
종래에는 이와 같은 준거 그룹의 사이즈, 유사도 연산 방식과 같은 추천에 필요한 파라미터는 추천 시스템에 고정되어 있었으며, 모든 사용자에 대해 고정적으로 적용되었다.
그러나, 이와 같이 시스템에 고정된 파라미터를 이용하여 추천을 수행하는 것은 사용자별 특성을 고려하지 않고 추천이 이루어지는 문제점이 있었으며, 이는 추천에 대한 사용자들의 만족도를 떨어뜨리는 주요한 요인 중 하나로 작용하였다.
지시문 (instruction)
주어진 원문을 읽고 필요한 정보를 파악하여, 원문에 근거해 질문에 답하라.
질문 (question)
종래의 추천 시스템에서 모든 사용자에 대해 고정적인 파라미터를 적용하여 추천을 수행할 경우 발생하는 문제점은 무엇인가?
추론 과정 (compact_reasoning)
-
1과제 해석
task_interpretation종래 추천 시스템이 고정된 파라미터를 사용할 때 발생하는 부정적인 결과와 그 원인을 파악해야 한다.
-
2정보 추출
information_extraction종래 시스템의 특징인 '고정된 파라미터'와 그로 인한 현상을 추출한다.
- 종래에는 이와 같은 준거 그룹의 사이즈, 유사도 연산 방식과 같은 추천에 필요한 파라미터는 추천 시스템에 고정되어 있었으며, 모든 사용자에 대해 고정적으로 적용되었다.
-
3근거 선택
evidence_selection고정된 파라미터 사용이 초래하는 구체적인 문제점 구절을 선별한다.
- 이와 같이 시스템에 고정된 파라미터를 이용하여 추천을 수행하는 것은 사용자별 특성을 고려하지 않고 추천이 이루어지는 문제점이 있었으며, 이는 추천에 대한 사용자들의 만족도를 떨어뜨리는 주요한 요인 중 하나로 작용하였다.
-
4논리 통합
logical_integration고정된 파라미터 사용 -> 사용자별 특성 미고려 -> 사용자 만족도 저하라는 인과관계를 연결한다.
-
5결론 도출
conclusion_formulation사용자별 특성을 고려하지 못하게 되어 결국 사용자 만족도가 떨어진다는 결론을 도출한다.
- 사용자별 특성을 고려하지 않고 추천이 이루어지는 문제점이 있었으며, 이는 추천에 대한 사용자들의 만족도를 떨어뜨리는 주요한 요인 중 하나로 작용하였다.
-
6답변 생성
answer_generation질문에 대해 인과관계가 명확히 드러나도록 답변을 작성한다.
- 사용자별 특성을 고려하지 않고 추천이 이루어지는 문제점이 있었으며, 이는 추천에 대한 사용자들의 만족도를 떨어뜨리는 주요한 요인 중 하나로 작용하였다.
최종 답변 (final_answer)
시스템에 고정된 파라미터를 사용하여 추천을 수행하면 사용자별 특성을 고려하지 않고 추천이 이루어지게 되며, 이는 추천에 대한 사용자들의 만족도를 떨어뜨리는 주요한 요인이 된다.
핵심 해석 (core_interpretation)
추천 시스템에서 모든 사용자에 대해 고정된 파라미터를 사용하여 추천을 수행하는 것은 사용자별 특성을 고려하지 않아 추천에 대한 사용자들의 만족도를 떨어뜨리는 요인으로 작용한다.