추천 시스템 구현 사용자 선호에 기반한 아이템 추천

728x90

추천 시스템 구현: 사용자 선호에 기반한 아이템 추천

Overview
추천 시스템은 사용자에게 개인화된 아이템을 추천하기 위해 머신러닝 알고리즘을 활용하는 기술입니다. 사용자 행동과 선호를 분석하여 적절한 아이템을 추천하는데, 이는 주로 세 가지 접근 방식—콘텐츠 기반 필터링, 협업 필터링, 하이브리드 방법—으로 구현됩니다. 이번 설명에서는 협업 필터링을 통한 추천 시스템 구현 방법에 대해 깊이 알아보겠습니다.

협업 필터링 기반 추천 시스템

협업 필터링은 사용자 간의 유사성을 기반으로 추천을 제공하는 방법입니다. 가장 일반적으로 사용되는 협업 필터링 기법은 사용자 기반 필터링(User-Based Filtering)과 아이템 기반 필터링(Item-Based Filtering)입니다. 이번 설명에서는 아이템 기반 협업 필터링을 중심으로 설명하겠습니다.

1. 데이터 수집

추천 시스템의 첫 단계는 데이터 수집입니다. 추천 시스템이 동작하려면 사용자의 행동 데이터가 필요합니다. 일반적인 데이터에는 다음이 포함됩니다:

사용자-아이템 평점 데이터: 사용자가 특정 아이템에 부여한 평점 (예: 영화, 상품 등).
사용자 행동 데이터: 사용자의 클릭, 구매 이력, 검색 기록 등.

예를 들어, 영화 추천 시스템의 경우, 데이터는 사용자별 영화 평점으로 구성될 수 있습니다.

2. 데이터 전처리

수집된 데이터를 분석하기 전에 전처리 과정이 필요합니다. 이 과정에는 다음이 포함됩니다:

결측값 처리: 평점이 없는 데이터는 NaN으로 표시될 수 있으며, 이를 처리해야 합니다.
정규화: 평점의 범위가 일관되도록 조정합니다. 예를 들어, 평점이 1부터 5까지일 경우, 모든 평점을 0부터 1까지로 스케일링할 수 있습니다.

import pandas as pd
from sklearn.preprocessing import MinMaxScaler

# 예시 데이터
data = {'user_id': [1, 1, 2, 2],
'item_id': [101, 102, 101, 103],
'rating': [4, 5, 3, 2]}

df = pd.DataFrame(data)

# 정규화
scaler = MinMaxScaler()
df['rating_normalized'] = scaler.fit_transform(df[['rating']])
print(df)

3. 유사도 계산

아이템 기반 협업 필터링에서는 아이템 간의 유사도를 계산하여 추천을 제공합니다. 이 단계에서는 주로 다음과 같은 방법을 사용합니다:

코사인 유사도 (Cosine Similarity): 두 아이템 간의 유사도를 측정합니다. 평점 벡터를 기반으로 두 벡터 간의 코사인 각도를 계산합니다.

from sklearn.metrics.pairwise import cosine_similarity

# 아이템-사용자 매트릭스 예시
item_user_matrix = [[4, 5, 0, 0],
[5, 0, 0, 0],
[0, 0, 3, 2]]

# 코사인 유사도 계산
similarity_matrix = cosine_similarity(item_user_matrix)
print(similarity_matrix)

피어슨 상관계수 (Pearson Correlation Coefficient): 두 아이템 간의 상관관계를 계산합니다. 두 벡터 간의 선형 관계를 평가합니다.

4. 추천 생성

유사도 계산 후, 추천 시스템은 다음과 같은 방식으로 추천을 생성합니다:

상위 유사 아이템 추천: 현재 아이템과 유사한 아이템을 찾고, 사용자에게 추천합니다.

예를 들어, 사용자가 영화 A를 평가했을 때, 영화 A와 유사한 영화 B, C, D를 추천할 수 있습니다.

5. 성능 평가

추천 시스템의 성능은 다양한 지표로 평가됩니다:

정확도 (Accuracy): 추천이 실제로 얼마나 맞았는지를 측정합니다.
정밀도 (Precision): 추천된 아이템 중 실제로 사용자가 선호하는 비율을 측정합니다.
재현율 (Recall): 실제로 사용자가 선호하는 아이템 중 추천된 비율을 측정합니다.

from sklearn.metrics import precision_score, recall_score

# 예시
true_labels = [1, 0, 1, 0, 1]
predicted_labels = [1, 0, 1, 1, 0]

precision = precision_score(true_labels, predicted_labels)
recall = recall_score(true_labels, predicted_labels)

print(f'Precision: {precision}')
print(f'Recall: {recall}')

6. 개선 사항 및 조정

추천 시스템을 구현한 후, 실험과 피드백을 통해 시스템을 지속적으로 개선할 필요가 있습니다. 예를 들어, 데이터의 스케일링 방법을 변경하거나, 새로운 알고리즘을 도입할 수 있습니다.

참고문서

추천 시스템 개요 - Springer
코사인 유사도 계산법 - Scikit-learn Documentation
피어슨 상관계수 - Scikit-learn Documentation
정밀도와 재현율 - Scikit-learn Documentation