[추천시스템] 협업 필터링(Collaborating Filtering) 개요, 아이템 VS 유저 협업 필터링 선택하기

정의 : 많은 사람들의 의견을 협동하여 더 나은 추천을 위해 필터링한다.

1. 개인보다는 단체 또는 그룹의 선택과 취향에 의존한다.

2. 여러 사람의 의견을 종합적으로 반영하여 다수의 의견으로 더 나은 선택을 한다.

---

종류 :

 

 

---

이웃기반 협업 필터링 장점: 

1. 구현이 간단하다
2. Model-based CF에 비해 계산량이 적다.
3. 새로운 user, item이 추가되도 안정적으로 추천할 수 있다.

이웃기반 협업 필터링 단점:

1. Cold-Start 문제가 있다. (충분한 데이터가 없으면 추천할 수 없다)
2. 데이터가 많아질수록 계산량이 많아진다.
3. Long-Tail 문제가 발생한다. (대부분의 사용자가 관심 갖는 소수 아이템으로 추천이 쏠린다)

---

User-based 협업 필터링 활용

1. 취향이 비슷한 사용자끼리 데이터를 바탕으로 추천한다.
2. 평점이 수치형(Continuous)이면 회귀모형, 범주형(1,2,3,..)이면 분류모형으로 추천한다.

item-based 협업 필터링 활용

1. 아이템 간의 유사도 계산하여 추천
2. 여러 사용자의 과거 선호도 데이터로 연관성 높은 아이템을 찾아 추천한다. 
    * 콘텐츠기반 추천시스템과는 다름
3. 아마존, 넥플릭스에서 많이 활용함

---

User-based 협업 필터링 VS item-based 협업 필터링 선택기준

1. [데이터 수 기준] 사용자가 많은지 아이템이 많은지를 기준으로, 데이터가 많은 기준으로 선택한다.
2. [데이터 변화 기준] 덜 바뀌는 데이터를 기준으로,
   아이템이 크게 변하지 않으면 아이템 기반, 사용자가 변화되지 않는 편이면 사용자 기반 협업 필터링을 선택한다.
3. [추천 결과 설명력 기준] 아이템 기반이 사용자보다 아이템 항목의 고정된 특성 때문에 추천 결과를 설명하기 용이하다.
4. [새로운 추천 가능성 기준] 새로운 아이템이 나오는 경우 추천이 어렵고,
유저 기반의 경우, 여러 유저의데이터를 보기 때문에 더 새로운 추천이 가능하다.