추천 방식은 개인화된 추천, 개인화 되지 않은 추천으로 크게 두가지로 나뉜다.
개인화 추천 방식에는 content-based 방식과, collaborative filtering, Hybrid 방식이 있다.
content-based 방식은 아이템에 대한 정보에 의존해야 하는데, 아이템에 개수가 적거나 (혹은 각각의 아이템들에 대한 정보가 균일하지 않거나 ), 아이템 설명 정보에 아이템의 특성과 관계없는 정보들이 많이 있으면 추천 시스템에 적용하기 힘들어진다는 문제점이 있다.
마지막으로 content-based 방식은 계속 비슷한 아이템을 추천하기 때문에 사용자가 이미 접했던 아이템을 추천할 확률이 높아진다.
반면 collaborative filtering 방식은 유저와 비슷한 유저의 선택을 기반으로 추천하기 때문에 아이템의 정보에서 나오는 문제점과 관계없이 추천할 수 있다.
Collaborative filtering 방식은 또 크게 neighborhood 방식(혹은 memory 방식)과 model-based 방식으로 나뉜다. neigborhood 방식은 유저가 아이템에 rating을 매긴 데이터들을 그대로 사용하는 방식이다.
neighborhood 방식은 크게 user based 방식과 item based 방식으로 나뉘는데, user-based 방식은 사용자가 아이템을 평가한 데이터를 기반으로 사용자와 가장 유사한 유저를 찾는 기법이고, item-based 방식은 유저가 아이템을 평가한 데이터를 기반으로 아이템간 유사도를 구하는 방식이다. 이렇게 계산한 아이템 유사도를 기반으로 추천한다.
model-based은 rating 데이터를 기반으로 예측모델을 만들고 그 예측 모델로 추천하는 방식이다. rating 데이터로 모델의 파라메터들을 학습시키고, 이 모델로 새로운 데이터가 들어왔을때 rating을 예측하게 된다.
마지막으로 hybrid method 방식은 content based 방식과 collaborative filtering 방식을 합친 방식이다.
간단함
구현하기 간단하고 직관적이다. 튜닝할 하이퍼 파라메터가 적다.
정당성
유저에게 추천 결과물에 대한 설명을 쉽게 할수 있다. (유저가 rating 한 데이터를 그대로 계산하기 때문에 transparent 한 추천 방식을 사용할 수 있다.)
효율성
model-based 방식과 다르게 학습 과정이 필요하지 않다. 유저 유사도를 계산하기 위한 컴퓨팅 자원이 필요하지만 모델을 학습하는 과정에서 필요한 계산 자원 보다는 현저히 낮다. 마지막으로 rating 데이터에 필요한 메모리의 양이 학습한 모델에 필요한 메모리보다 현저히 적다.
안정성
새로운 유저나 아이템, rating 정보가 들어왔을 때, 영향을 적게 받는다. 예를 들면 item-based 방식이라고 했을때, item 별 유사도를 이미 계산 해둔 상태에서 새로운 유저가 온다고 해도, 추천할 때 별도의 계산 필요 없이 바로 유사도가 높은 아이템을 추천할 수 있다. 또 아이템이 새로 들어와서 rating 정보가 적더라도 rating 데이터를 많이 가지고 있는 아이템들과의 유사도만 계산하면 된다.
하지만 neighborhood 접근방식은 추천 커버리지가 넓지 않다는 문제가 있다. (다시 말해 추천이 안되는 아이템은 계속 추천이 되지 않는 문제가 있다.)
또한 rating 데이터의 sparsity에 민감하고 cold start 문제에 취약하는 단점이 있다.
4-1-1. Mean-Centering