[추천 알고리즘] ALS 개념, Basic 하게 feat. 코드 X

 

Alternating Least Squares

추천 알고리즘 중 하나로, 교대 최소 제곱법이라고도 불린다.

이번 포스팅에선 간단한 추천 알고리즘 개념들을 살펴보고, ALS의 장점을 알아보자.

 

 

 

 

 

추천 알고리즘

---

: 사용자가 선호할만한 아이템을 추측함으로써 사용자에게 적합한 특정 항목을 추천한다.

 

 

추천 알고리즘에는 두개의 기본 축이 존재한다. 협업 필터링과 콘텐츠 필터링이다.

 

(1) 협업 필터링(CF, Collaborative Filtering)

유저-아이템 상호작용 데이터를 활용한다. 
"이 음식을 좋게 평가한 사람들은 또 어떤 음식을 좋아할까?"

 

즉, 특정 유저와 성향이 비슷한 사람들이 좋게 평가한 것을 추천하는 알고리즘이라고 보면 된다.

 

 

(2) 콘텐츠 필터링(CB, Contents-Based-Filtering)

유저 및 아이템의 텍스트 및 이미지 정보를 활용해서 유사한 콘텐츠를 찾는 기술이다. 콘텐츠를 기본적으로 분석해서 비슷한 아이템끼리 그룹핑한다. 

"아이유의 '에필로그'를 좋아하는 사람은 아이들의 'Tomboy'를 좋아할 것이다"

 

즉, 아이템의 유사성을 바탕으로 특정 아이템이 좋은 평을 받았다면, 유사한 아이템을 유저에게 추천하는 알고리즘이다.

 

 

둘은 상호보완적이다.

아이템에 대한 평가가 적을 때(유저-아이템 상호작용 비활성)는 콘텐츠 필터링을 쓰는 것이 적합하다. 하지만 유저가 많아지고 유저-아이템 상호작용이 커졌을 땐 CF를 많이 사용한다.

 

 

 

추천 알고리즘에 쓰이는 데이터는 (1) Explicit FeedBack  (2) Implicit FeedBack 가 있다. 첫 번째는 유저들이 직접적으로 아이템에 대해 평가를 내린 데이터다. 두 번째 아이템 클릭 수 등 직접적인 선호도는 없는 데이터다. 보통 추천 알고리즘들은 Explicit FeedBack 데이터를 이용하지만, ALS는 Implicit FeedBack 데이터도 사용해서 추천할 수 있다. 

 

 

 

 

ALS, 교대 최소 제곱법

---

ALS는 협업 필터링 알고리즘 중 하나이다. 

협업 필터링 알고리즘도 방식에 따라 두 가지로 나뉘는데, (1) 메모리 기반 접근 방식 (2) 모델 기반 접근 방식이 그것이다. 메모리 기반 접근 방식은 유저 성향 및 유사도를 메모리에 저장한 후, 특정 유저에게 추천하는 방식이다. 하지만 ALS는 모델 기반 접근 방식이다. 

 

 

모델 기반 접근 방식은 또 두 가지로 나뉜다.

(1) Latent Factor 방식 : Matrix Factorization, 행렬 분해를 사용

(2) 분류/회귀 및 딥러닝 방식 : 신경망 등 머신/딥러닝 사용

 

 

 

ALS의 장점은 다음과 같다.

 

(1) 분산처리가 가능하다.

(2) 학습 속도가 매우 빠르다.

(3) Sparse 한 데이터에도 강하다.

(4) Implicit 데이터가 Explicit 데이터보다 Sparse한 성향이 강하다. 따라서 Implicit 데이터를 활용한 추천 모델을 구축하고자 한다면 ALS를 사용하는 것이 유리하다.

 

 

 

ALS의 개념과 장점들을 간단하게 알아보았다. 

수식 및 자세한 원리는 넘어가고 코드 활용을 먼저 해보자. 

ALS는 Spark MLlib에서 지원하고 있어서, Spark를 통해 실습을 해보자. 

 

 

 

[실습]

 

https://mengu.tistory.com/61

[SparkML] ALS, 추천 알고리즘 활용하기

 

 

 

** 고민 **
머신/딥러닝 모델들을 공부하면서 새로운 수식과 원리를 마주할 때가 있다. 처음엔 모두 이해하려 했지만, 갈수록 힘이 부친다. 애초에 수학을 공부하지 않아서 깊이 파고들기 어렵다는 한계가 있다. 따라서 간단한 개념만 이해하고, 코드를 먼저 살피고, 나중에 심화하고 싶을 때 수식/원리를 더 공부해보기로 했다.