12주차 교육일지: Cold start

1. Cold start: 유저의 선호도나 행동에 대한 기록이 전혀 없을 때 유저에 대한 추천이 어려운 상황

 -ex)신규 유저에게 어떤것을 추천할 지?

1. User 콜드 스타트: 새로운 유저가 플랫폼에 가입한 경우 추천 시스템이 사용자의 선호도, 과거 행동에 대한 충분한 정보X  ex) 뉴비에게 어떤 게임을 추천할 지 2. Item 콜드 스타트: 새로운 아이템이 시스템/서비스에 추가되었을 때 해당 아이템에 대한 유저 데이터가 충분하지 않은 경우  ex) 상품 출시 시 누구에게 추천할 지? or 뉴스 추천 3. System 콜드 스타트: 추천 시스템을 처음 시작할 때 user 및 item 모두에 대한 상호 데이터가 전혀 없을 때  ex) 신규 출시 앱이 서비스 초반에 어떤 추천을 해줄 지

파레토 법칙: 80%의 결과가 20%의 원인에서 비롯된다 -> 80%의 유저 아이템 상호작용이 인기있는 20%아이템에 집중

롱테일 문제: 소수의 아이템에 대부분의 상호작용이 몰림으로써 추천 과정에서 잘 노출되지 않는 아이템 발생(긴꼬리현상)

---

전통적인 접근방법

1) 인기 아이템 추천 2) 랜덤 아이템 추천 3) 인구 통계 기반 추천 4) 규칙 기반 추천

---

선호도 유도: 유저/고객의 잠재된 선호를 이끌어 내는 방법

1) 온 보딩 설문지: 유저가 처음 가입할 때 간단한 설문을 제시하여 관심사, 인구통계적 정보 등을 수집 2) 아이템 선택 / 순위 지정 유도: 초기 ranking에 반영, 첫 접속 시 관심있는 분야 선택 요청 3) 인터랙티브 퀴즈: 대화형 인터페이스를 통해 고객의 선호에 대한 정보를 이끌어 내는 방법 4) 소셜미디어 연동 5) 게임 구조로 생성

---

2. MAB (Multi-Armed Bandits)

1) 한정된 자원 상황 하에 여러 개의 상층되는 선택을 내려야하는 경우

2) 어떠한 선택이 얼마 만큼의 이득을 얼마 만큼의 편차로 제공하는지를 알 수 없을 때

3) 이 선택들의 예상되는 최대 이득이 극대화 되도록 하고자 할 때

1) 그리디 알고리즘 2) UCB(Upper Confidence Bound)