추천 시스템 입문

현업 추천 시스템 개발자의 노하우 전수!
나보다 나를 더 잘 아는 추천 알고리즘 도입 가이드

사실 추천 시스템은 전부터 주위에 있었습니다. 레스토랑의 추천 메뉴, 서점의 인기 도서 순위도 일종의 추천 시스템입니다. 일상에서 결정해야 하는 횟수가 늘고 선택지가 다양해짐에 따라 추천 시스템에 대한 수요가 점점 높아졌습니다. 추천 알고리즘도 비약적으로 발전하여 인기가 많은 것을 추천했던 획일적인 방법에서 벗어나 개개인의 흥미나 관심에 부합하는 맞춤형 추천이 가능합니다.

사용자가 선호하는 아이템을 빠르게 보여주면 사용자 만족도가 높아지며 매출과 회원 수 증가로도 이어집니다. 하지만 실제로 서비스에 적용할 때는 다양한 문제에 직면하게 됩니다. 프로젝트 구성원은 어떻게 꾸려야 좋은지, 어떤 추천 시스템을 조합해야 하는지, 어떤 데이터를 사용해야 하고 어떻게 추천 결과를 제시하는 것이 좋으며, 배포 전 온라인에서 추천 시스템을 평가하기 위해서는 어떻게 해야 하는지 등의 문제입니다. 이 책에서 바로 그런 고민들을 다룹니다.

추천 시스템은 이제 '있으면 좋은 기능'이 아니라 '없으면 안 되는 기능'입니다. 실제 추천 시스템을 구축해본 경험이 있는 저자들이 전하는 도입 노하우를 익혀보세요. 여러 아이템 가운데 가치 있는 것을 선정해 사용자의 의사 결정을 지원하는 추천 시스템을 만드는 데 도움이 될 것입니다.

**

내용 구성

[1장 추천 시스템]
추천 시스템의 개요와 역사를 몇 가지 사례와 함께 설명합니다. 그리고 추천 시스템 종류를 간략하게 알아보고 검색 시스템과의 차이도 설명합니다.

[2장 추천 시스템 프로젝트]
추천 시스템 개발에 필요한 팀원과 프로젝트 진행 방법을 설명합니다.

[3장 추천 시스템의 UI/UX]
추천 시스템의 UI/UX에 관해 소개합니다. 추천 아이템을 제시하는 방법에 따라 클릭 횟수나 구입 횟수를 늘릴 수 있기 때문에 사용자 경험 설계는 중요합니다.

[4장 추천 알고리즘 개요]
대표적인 추천 알고리즘인 협조 필터링과 내용 기반 추천을 설명합니다. 그리고 추천 알고리즘에 입력되는 평갓값 데이터를 암묵적인 것과 명시적인 것으로 나누어 소개합니다.

[5장 추천 알고리즘 상세]
인기도 추천과 행렬 분석 알고리즘에 관해 각각 설명하고 실제 서비스에 조합할 때 주의해야 할 점에 대해서도 살펴봅니다. 그리고 MovieLens라는 영화 데이터셋을 사용해 각 알고리즘을 적용하는 코드도 소개합니다.

[6장 실제 시스템과의 조합]
뉴스 전송 추천 시스템을 예로 들어 추천 알고리즘을 실제 서비스에 조합할 때 시스템을 어떻게 구성하는지 설명합니다. 서버 구성과 배치 처리 구조, 로그 설계 등 추천 시스템 아키텍처에 관해 살펴봅니다.

[7장 추천 시스템 평가]
다양한 추천 시스템 평가 지표를 설명합니다. 간단한 예측 오차 같은 지표뿐 아니라 추천한 아이템의 다양성을 측정하는 지표나 의외성을 측정하는 지표도 살펴봅니다.

[8장 발전적 주제]
앞서 다루지 못한 추천 시스템 국제회의, 편향 제거, 인과 추론 등을 살펴봅니다.

대상 독자

● 데이터를 분석해 각 고객에게 맞춤 서비스를 제공하고 싶은 개발자, 데이터 과학자
● 추천 시스템을 업무 시스템에 접목하기 위한 교두보를 배우고 싶은 개발자, 기획자
● 추천 시스템 개발을 위해 개발자와 소통해야 하는 프로덕트 매니저, 기획자
● 추천 서비스의 사용자 경험을 책임지는 UI/UX 디자이너

CHAPTER 1 추천 시스템
_1.1 추천 시스템
_1.2 추천 시스템의 역사
_1.3 추천 시스템의 종류
_1.4 검색 시스템과 추천 시스템
_1.5 정리

CHAPTER 2 추천 시스템 프로젝트
_2.1 추천 시스템 개발에 필요한 3가지 스킬
_2.2 추천 시스템 프로젝트 진행 방법
_2.3 정리

CHAPTER 3 추천 시스템의 UI/UX
_3.1 UI/UX의 중요성
_3.2 서비스를 사용하는 사용자의 목적에 적합한 UI/UX 사례
_3.3 서비스 제공자의 목적에 맞는 UI/UX 사례
_3.4 연관 주제
_3.5 정리

CHAPTER 4 추천 알고리즘 개요
_4.1 추천 알고리즘 분류
_4.2 내용 기반 필터링
_4.3 협조 필터링
_4.4 내용 기반 필터링과 협조 필터링 비교
_4.5 추천 알고리즘 선택
_4.6 기호 데이터의 특징
_4.7 정리

CHAPTER 5 추천 알고리즘 상세
_5.1 알고리즘 비교
_5.2 MovieLens 데이터셋
_5.3 무작위 추천
_5.4 통계 정보나 특정 규칙에 기반한 추천
_5.5 연관 규칙
_5.6 사용자-사용자 메모리 기반 방법 협조 필터링
_5.7 회귀 모델
_5.8 행렬 분해
_5.9 자연어 처리 방법에 대한 추천 시스템 응용
_5.10 딥러닝
_5.11 슬롯머신 알고리즘(밴딧 알고리즘)
_5.12 정리

CHAPTER 6 실제 시스템과의 조합
_6.1 시스템 개요
_6.2 로그 설계
_6.3 실제 시스템 예
_6.4 정리

CHAPTER 7 추천 시스템 평가
_7.1 3가지 평가 방법
_7.2 오프라인 평가
_7.3 온라인 평가
_7.4 사용자 스터디를 통한 평가
_7.5 정리

CHAPTER 8 발전적 주제
_8.1 국제회의
_8.2 편향
_8.3 상호 추천 시스템
_8.4 업리프트 모델링
_8.5 도메인에 따른 특징과 과제
_8.6 정리

APPENDIX A 넷플릭스 프라이즈
_A.1 넷플릭스 창업
_A.2 추천 시스템 개발
_A.3 넷플릭스 프라이즈
_A.4 넷플릭스의 추천 시스템
_A.5 정리

APPENDIX B 사용자-사용자 메모리 기반 방법
_B.1 추천 과정(1): 사용자와 기호 경향이 비슷한 사용자 찾기
_B.2 추천 과정(2): 예측 평갓값 계산하기
_B.3 추천 과정(3): 사용자에게 추천하기

가자마 마사히로 도쿄 대학 대학원에서 추천 시스템에 관해 연구했고 졸업 후에는 리크루트(Recruit)와 인디드(Indeed)에서 추천 시스템 개발과 프로젝트 매니지먼트를 경험했다. 거기서 개발한 알고리즘을 추천 시스템 국제 학회 RecSys에서 발표했다. 현재는 유비(Ubie) 주식회사에서 데이터 사이언스 조직을 세우고 다시 의료 분야 머신러닝 상품 개발에 매진하고 있다.