[한국공공정책신문=김유리 기자]
◇ 레코멘드 엔진의 개념
레코멘드 엔진(Recommendation Engine)이란 데이터를 활용해 고객이나 사용자에게 특정의 컨텐츠를 권장하는 기계학습의 정보 필터링 알고리즘이다. 어느 선택지에 가치가 있는지를 특정하는 것을 돕고, 특히 인터넷 비즈니스에 대해서는 EC 사이트나 동영상 시청 사이트, 뉴스 사이트 등에서 사용자의 구매 의욕을 북돋우는 상품이나 서비스를 제안하기 위해서 이용된다. 레코멘드 엔진의 구조에는 3종류가 있다. ① 협조적 필터링, ② 콘텐츠 기반 필터링, ③ 하이브리드(①+②)가 있다.
◇ 협조적 필터링의 구별
협조적 필터링은 ‘메모리 베이스’와 ‘모델 베이스’로 구별된다. 주류 방법인 전자는 사용자의 평가, 열람 이력, 구매 이력을 포함한 사용자 및 콘텐츠의 데이터 행렬의 유사도에서 특정 콘텐츠를 추정하고 설명한다. 따라서 상품 정보나 콘텐츠 정보가 필요하지 않다. 후자는 사용자 및 컨텐츠의 데이터 행렬을 모델 구축에 이용해 추정한다.
◇ 협조적 필터링의 문제 설정
협조적 필터링 문제 설정은 기계학습 관련 기술에 비해 대량의 결손치를 포함하는 것을 전제로 하는 것이 특징이다. 따라서 목적변수(objective variable)의 추정보다는 결손치의 추정에 중점을 두고 있다. 협조적 필터링의 문제점으로는 결손치를 채우는 알고리즘이기 때문에 신상품이나 신규 사용자의 경우 등 데이터가 적은 경우에 유효한 리커먼데이션(recommendation)이 어려워지는 것이다.
*주) 목적변수(objective variable)란 설명변수(원인)를 받아 발생한 결과를 나타내는 변수 혹은 예측하고자 하는 변수를 말한다. 알기 쉽고 간결하게 표현하면 ‘결과’로 인과관계에서 ‘결과가 되는 변수’라고도 할 수 있다. 덧붙여 인과관계에서의 ‘원인이 되는 변수’는 설명변수라고 하며, 목적변수의 반대말에 해당한다.
◇ 컨텐츠 베이스 필터링
컨텐츠 베이스 필터링에서는 컨텐츠의 속성 정보와 사용자 기호와의 관련성을 지표로 한다. 즉 미리 카테고리화된 콘텐츠 속성 중 사용자가 어떤 속성을 선호하는지를 지표로 사용자 프로파일링(profiling)을 수행한다. 사용자 프로파일에서 콘텐츠 속성 및 관련성을 단서로 사용자에게 다른 콘텐츠를 추천한다. 하이브리드(hybrid)형에서는 협조적 필터링과 콘텐츠 기반 필터링 양자의 장점을 활용한다. 예컨대, 사용자가 신규로 정보가 없는 초기 단계에서는 콘텐츠 기반 필터링을 하고 사용자의 이력 정보가 점차 축적된 단계에서 협조적 필터링으로 전환하는 식이다.
◇ 레코멘드 엔진의 평가와 장점
레코멘드 엔진의 평가는 온라인 평가와 오프라인 평가로 나뉜다. 온라인 평가에서는 클릭률이나 전환율을, 오프라인 평가에서는 PR 곡선의 AUC나 F값, 적용 범위 등을 각각 지표로 한다. 인공지능(AI)은 계속 진화하고 있고, 레코멘드는 더 이상 시청자 전반, 혹은 특정 세그먼트(segment)만을 대상으로 하지 않는다. 딥러닝 기반 레코멘드 엔진을 사용함으로써 오늘날의 마케터(marketer)들은 페르소나(persona), 장소, 흥미로운 관심, 실시간 온라인 행동 등의 지표를 기반으로 개인 수준에서 하이퍼 개인화된 레코멘드로 소비자를 타겟팅할 수 있다. 이를 통해 리타겟팅(retargeting) 광고나 메일 마케팅을 통한 온라인 왕래가 촉진될 뿐만 아니라 고객의 스트레스를 줄여주고 해지율 감소로 이어진다.
*주) 페르소나(persona)란 말은 원래 고전극에서 배우가 사용한 가면을 말하는데, 융(Carl Jung)은 인간의 외적 측면을 페르소나라고 불렀다. 페르소나는 자신의 외적 측면이다. 예컨대, 주위에 너무 적응한 나머지 딱딱한 가면을 써버리는 경우, 혹은 반대로 가면을 쓰지 않음으로써 자신이나 주위를 괴롭히는 경우 등이 있는데, 이것이 페르소나다.
이규철 / 법학박사(상법)
∙ AI·GPT, SDGs&ESG 코치 및 강사
∙ 100세대학 크리에이터 및 칼럼니스트
∙ 생성AI와 챗GPT, SDGs·ESG경영전략,
글로벌 MBAtoCEO, 리더의 필승전략,
100세대학 행복디자인 매뉴얼 등 27책
∙ 일본(와세다대),중국(복단대·화동정법대)
){kind=small}
){kind=small}
){kind=small}
){kind=small}