반응형
✅ 1. 콘텐츠 기반 필터링 (Content-Based Filtering)
개념:
- 사용자가 선호했던 아이템의 텍스트 특성(태그, 설명, 키워드 등)을 분석해 유사한 특성을 가진 다른 아이템을 추천
- 자연어처리(NLP) 기술과 벡터화 모델 활용
주요 기술:
- TF-IDF
- Word2Vec / FastText / GloVe
- BERT 기반 문장 임베딩
- Cosine Similarity
예시:
- 블로그/뉴스 추천: 사용자가 읽은 글의 핵심 키워드 추출 → 유사 기사 추천
- 이커머스: 상품 설명 벡터화 → 유사 상품 추천
✅ 2. 협업 필터링 + NLP (Hybrid with Text Embedding)
개념:
- 전통적인 유저-아이템 매트릭스 기반 협업 필터링에 텍스트 임베딩 정보를 추가해 추천 성능 향상
- Cold Start(신규 유저/아이템 문제) 해결에 효과적
적용 방법:
- 상품 설명이나 리뷰 텍스트를 BERT 임베딩으로 벡터화 후 추천 모델에 추가 입력
- 예시: CF(행렬) + 상품 설명 벡터 → 유사도 계산
✅ 3. 텍스트 기반 유사도 모델 (Similarity Search Model)
핵심 알고리즘:
- Sentence-BERT (SBERT)
- FAISS (Facebook AI Similarity Search)로 대규모 유사도 검색
- Cosine Similarity / Euclidean Distance
적용 예:
- 사용자의 검색 문장과 상품/컨텐츠 설명을 벡터화 후 유사도 기반 추천
- 실시간 상품 검색 추천이나 질문-답변 추천 시스템에서 활용
✅ 4. 주제 모델링 기반 추천 (Topic Modeling)
주요 기술:
- LDA (Latent Dirichlet Allocation)
- BERTopic (BERT + Topic Modeling)
- NMF (Non-negative Matrix Factorization)
예시:
- 고객 리뷰나 선호 텍스트에서 주요 토픽 추출 → 같은 토픽의 콘텐츠 추천
- 커뮤니티 게시글 자동 분류 및 추천
✅ 5. 대화형 추천 시스템 (Conversational Recommender)
기술:
- GPT / LLaMA / Claude 등 LLM 활용
- 대화에서 취향/선호 키워드 실시간 추출 후 추천
예시:
- "오늘 저녁에 가볍게 마실 수 있는 차 추천해줘" → 제품 DB에서 필터링 후 추천
- 쇼핑몰 챗봇
반응형
