Recommendation Algorithms / 추천 알고리즘 개요

Recommendation Algorithms / 추천 알고리즘 개요

(1) Association Rules 연관규칙

(2) Collaborative Filtering 협업 필터링

(3) Content-based Filtering 내용 기반 추천

(1) Association Rules 연관규칙

구매 이력을 분석해서 아이템a -> 아이템b 라는 규칙을 찾아 아이템a를 구매한 고객에게 아이템 b를 추천해주는 방식이다.

예시

1단계 : "토너를 구매하면 화장솜도 구매한다."는 규칙을 발견했다.

2단계 : 고객 A가 토너를 구매하면 화장솜을 추천한다.

주의할 점

. 너무나 당연한 결과가 규칙으로 나올 수 있다.

. 규칙이 나오지 않을 수 있다.

(2) Collaborative Filtering 협업 필터링

사회적인 분류(고객 세분화)를 통해 고객을 나누고 같은 군에 속하는 다른 고객이 구매한 아이템을 추천해주는 방식이다.

예시

1단계 : 고객을 분류한다. (20대 수분부족형 지성 등...)

2단계 : A는 <20대 수분부족형 지성> 군집이다.

3단계 : <20대 수분부족형 지성> 군집에 속한 B, C, ...가 주로 구매한 제품을 추천한다.

-

-

주의할 점

. 초기 군집이 잘 정의되어 있어야 한다.

. 새롭게 들어온 고객을 군집 안에 잘 분류할 수 있어야 한다.

. 군집이 너무 크면 세세한 개별 고객의 취향을 반영할 수 없다.

. 군집이 너무 작으면 추천할 수 있는 제품이 적어진다.

. 고객에 대한 많은 정보가 있어야 군집에 잘 분류할 수 있기 때문에 고객 정보 없이는 활용하기 어렵다.

(3) Content-based Approach 내용 기반 추천

한 아이템을 구매했을 때 유사한 특성(메타 데이터)을 가진 다른 아이템을 추천해주는 방식이다.

예시

1단계 : 제품 a는 #지성 #스킨케어 #천연성분 #보습 등의 특징을 가지고 있다.

2단계 : 고객 A는 제품 a를 구매했다.

3단계 : 제품 a와 가장 유사한 제품 특성을 가진 제품 b를 추천한다.

주의할 점

. 너무 유사한 제품은 제품의 유형에 따라 바로 구매하지 않을 확률이 있다.

. 제품에 대한 특성 정보 즉, 메타 데이터가 잘 관리되어 있어야 한다.

. 이미 구매된 제품 보다는 클릭했던 제품에 대한 추천을 할 때 더 유용하다.