Kyoungtae Min

진화하는 엔지니어가 되기 위한, 공부 내용 정리 및 기록

2 분 소요

추천: 무엇을? 그리고 왜? (Recommendation: What and Why?)

추천이란 무엇인가? (What are Recommendations?)

YouTube는 사용자가 다음에 보고 싶어 하는 영상을 어떻게 알 수 있는가? Google Play Store는 어떻게 나만을 위한 앱을 선택하는가? 마법인가? 아니다. 두 경우 모두, ML 기반 추천 모델이 특정 영상 및 앱이 사용자가 좋아하는 아이템과 얼마나 유사한지 판단한 다음 추천을 제공한다. 일반적으로 두 종류의 추천이 사용된다.

  • home page recommendations
  • related item recommendations

Homepage Recommendation

Homepage Recommendation은 알려진 관심사를 기반으로 사용자에게 개인화된다. 모든 사용자는 다른 추천을 받는다.

Google Play 앱의 홈페이지로 이동하면 다음과 같은 추천을 볼 수 있을 것이다.


이름에서 알 수 있듯이, Related Item은 특정 아이템과 유사한 아이템을 찾아서 추천한다. Google Paly를 예로 들면, 수학 앱에 대한 페이지를 보고 있는 사용자는 다른 수학 앱 또는 과학 앱과 같은 관련 패널도 볼 수 있다.

추천을 왜 하는가? (Why Recommendation?)

추천 시스템은 사용자가 대규모 코퍼스에서 매력적인 콘텐츠를 찾는 데 도움이 된다. 예를 들어, Google Play Store는 수백만 개의 앱을 제공하고, YouTube는 수십억 개의 영상을 제공한다. 거기다 매일 더 많은 앱과 영상이 추가된다. 사용자는 새롭고 매력적인 새 콘텐츠를 어떻게 찾는가? 물론 검색을 사용하여 콘텐츠에 접근할 수 있다. 그러나, 추천 엔진은 사용자가 스스로 생각하지 못한 아이템을 보여줄 수 있다.

YouTube 시청 시간의 60%, Google Paly 앱 설치의 40%는 추천을 통해 이루어진다.

용어 (Terminology)

자세히 알아보기 전에, 알아야 할 몇 가지 용어들이 있다.

Item (also known as document)

시스템이 추천하는 독립체. Google Play Store의 경우 item은 설치할 앱이다. YouTube의 경우 item은 영상이다.

Query (also known as context)

시스템이 추천을 만드는데 사용하는 정보. query는 다음을 조합할 수 있다.

  • 사용자 정보
    • 사용자의 아이디
    • 사용자가 이전에 상호 작용한 items
  • 추가 사항
    • 날짜, 시간
    • 사용자의 장치

임베딩 (Embedding)

별개의 집합(query 집합 또는 추천할 items 집합)에서 임베딩 공간이라고 불리는 벡터 공간으로의 매핑이다. 많은 추천 시스템들이 query 및 items의 적절한 임베딩 표현을 학습하는 데 의존한다.

추천 시스템의 개요 (Recommendation Systems Overview)

추천 시스템을 위한 하나의 공통 아키텍쳐는 다음 구성 요소로 구성된다.

  • 후보 생성 (candidate generation)
  • 채점 (scoring)
  • 순위 재지정 (re-ranking)


후보 생성 (Candidate Generation)

이 첫 번째 단계에서, 시스템은 잠재적으로 거대한 코퍼스에서 시작하여 줄이고 줄여서 후보의 하위 집합을 생성한다. 예를 들어, YouTube의 candidate generator는 수십억 개의 영상을 수천 또는 수백 개의 영상으로 줄인다. 따라서 모델은 방대한 양의 코퍼스를 감안할 때 query를 빠르게 평가해야 한다. 모델은 각각 다른 후보 집합을 생성하는 여러 개의 candidate generator를 제공할 수 있다.

채점 (Scoring)

다음으로, 다른 모델은 사용자에게 표시할 items의 집합을 선택하기 위해 후보들의 점수를 매기고 순위를 매긴다. 이 모델은 상대적으로 items의 작은 하위 집합을 평가하기 때문에, 시스템은 추가 query에 의존하여 보다 정확한 모델을 사용할 수 있다.

순위 재지정 (Re-ranking)

마지막으로, 시스템은 최종 순위에 대한 추가 제약을 고려해야만 한다. 예를 들어, 시스템은 사용자가 명시적으로 싫어하는 items을 제거하거나 최신 콘텐츠의 점수를 높인다. 따라서 순위 재지정은 다양성, 새로움 및 공정성을 보장하는 데 도울이 될 수 있다.

YouTube에서 사용하는 기술에 대해 더 궁금하면 Covington et al., Deep Neural Networks for YouTube Recommendations.를 참고.




※ 참고

Google Developer - Recommendations: What and Why?
Google Developer - Terminology
Google Developer - Recommendation Systems Overview

참고