Collaborative Filtering

problem space가 2차원 matrix 의 형태를 생각해본다. 행에 대해서는 item을, 열에 대해서는 user를 두고, 그에 따른 rating 을 값으로 둔다. 이 matrix 를 이용, CollaborativeFiltering 은 특정 사용자(user) i 에 대해서 rating 을 예측하고, item 들을 추천한다.

보통 다음의 과정을 가진다.

1. user인 i 와 비슷한 흥미나 선호도를 가지는 사용자 집합(user set)을 선택한다.
   
2. 1 에서 선택된 user set 으로부터 user i 에게 적합한 추천 item 을 예측해낸다.
   ex) 이 user set 에서 item j 에 대해서 높은 점수 (rating)을 주었을 경우, user i 에게 item j 를 추천한다.
   
   

1. 현재 이용중인 user 와 비슷한 취향의 사용자 집합을 선택 - calculate user correlation
   
2. 1에서 선택된 사용자 집합중 예측을 위한 부분집합 선택 - neighbourhood selection
   
3. 선택된 neighbours 들과 자료를 근거로 예측 - generate a prediction
   
   

• Pearson correlation
  
• Constrained Pearson correlation
  
• The Spearman rank correlation
  
• The Vector similarity
  
• Emtropy-based uncertainty measure
  
• Mean-square difference algorithm
  

• Correlation thresholding
  
• Best-n correlations
  

CollaborativeFiltering 의 유용성을 평가하는 기준.

• Coverage - 시스템이 추어진 item으로부터 추천 item 을 제공해주는 능력. (아마도 추천item품목수/전체item품목수 에 대한 퍼센트이려나. 수정 필요)
  
• Accuracy - 시스템이 추천한 item 에 대한 정확성 (추천 item에 대한 사용자의 점수)
  
  

개론

• PrincipiaCybernetica에 있는 아주 간단한 개론(처음 보는 사람에게 추천) http://pespmc1.vub.ac.be/COLLFILT.html
  
• Overview on various CF algorithms (recommended) http://www.research.microsoft.com/users/breese/cfalgs.html
  
• 한글 개론
  
• http://www.ecminer.com/m3_webBrain.html
  
• CACM 1997 Mar
  
• http://citeseer.nj.nec.com/483304.html
  
• Personalization on the Web
  
  

Link 모음

• CF논문 모음
  
• http://www.sims.berkeley.edu/resources/collab/ (링크 모음)
  
• Recommender Systems
  
  

구현 시스템 예/논문

• 버클리의 농담 추천 시스템 Jester
  
• CF의 아버지 Resnick이 만든 최초의 뉴스 CF 시스템 GroupLens
  
• Yes24 빙고시스템