도서 소개
개인화 추천은 각 개인의 관심사나 선호도를 분석해서 그에 맞는 정보나 제품을 추천해 주는 것을 말한다. 최근에 고객에 대해 자세한 정보를 수집할 수 있게 되면서 개인화 추천이 점점 더 널리 쓰이고, 또한 기업의 새로운 서비스 개발에서 중요한 기본 기술이 되고 있다. 개인화 추천 기술은 기본적으로는 아마존이나 넷플릭스처럼 추천 서비스를 제공하는 데 사용되지만, 개인의 맞춤형 서비스가 필요한 광고나 웹페이지 구성 등 다양한 분야에 적용이 가능하다.
이 책의 가장 중요한 목적은 독자들이 주요 개인화 추천 알고리즘의 작동원리를 이해하도록 하는 것이다. 이를 위해 이 책에서는 개인화 추천 기술의 전반적인 내용, 그중에서도 특히 연속값을 사용하는 개인화 추천 기술을 다룬다. 구체적으로는 협업 필터링(Collaborative Filtering), 행렬 요인화(Matrix Factorization)와 같은 기계학습(Machine Learning) 계열의 알고리즘과 딥러닝(Deep Learning) 추천 알고리즘 등에 대해 다룬다. 또한 최근에 많이 사용되는 거대언어모델(LLM)을 사용하는 추천에 대해서도 설명한다. 여기에 다수의 추천 알고리즘을 결합하는 하이브리드(Hybrid) 추천 시스템과 추천 시스템 구축에서의 이슈 등도 간단히 다룬다.
출판사 리뷰
개인화 추천은 각 개인의 관심사나 선호도를 분석해서 그에 맞는 정보나 제품을 추천해 주는 것을 말한다. 최근에 고객에 대해 자세한 정보를 수집할 수 있게 되면서 개인화 추천이 점점 더 널리 쓰이고, 또한 기업의 새로운 서비스 개발에서 중요한 기본 기술이 되고 있다. 개인화 추천 기술은 기본적으로는 아마존이나 넷플릭스처럼 추천 서비스를 제공하는 데 사용되지만, 개인의 맞춤형 서비스가 필요한 광고나 웹페이지 구성 등 다양한 분야에 적용이 가능하다.
최근에 추천 알고리즘이 사용되는 또 다른 분야는 AI 에이전트(Agent)이다. AI 에이전트는 개별 사용자의 취향과 니즈를 파악해서 사용자를 대신해서 다양한 일을 해주는 AI를 말한다. 사용자를 위해서 AI 에이전트가 하는 일은 정보의 수집과 정리와 같은 비교적 간단한 일에서부터 일정관리, 구입할 제품의 결정, 사용자를 대신한 협상 등 다양하다. AI 에이전트가 잘 작동하기 위해서는 사용자의 취향과 니즈를 파악하는 것이 우선적인데, 개인화 추천 알고리즘이 이러한 목적에 잘 맞는다. 개인화 추천을 위해서는 개인의 취향을 파악하는 것이 기본이기 때문이다.
이 책의 가장 중요한 목적은 독자들이 주요 개인화 추천 알고리즘의 작동원리를 이해하도록 하는 것이다. 이를 위해 이 책에서는 개인화 추천 기술의 전반적인 내용, 그중에서도 특히 연속값을 사용하는 개인화 추천 기술을 다룬다. 구체적으로는 협업 필터링(Collaborative Filtering), 행렬 요인화(Matrix Factorization)와 같은 기계학습(Machine Learning) 계열의 알고리즘과 딥러닝(Deep Learning) 추천 알고리즘 등에 대해 다룬다. 또한 최근에 많이 사용되는 거대언어모델(LLM)을 사용하는 추천에 대해서도 설명한다. 여기에 다수의 추천 알고리즘을 결합하는 하이브리드(Hybrid) 추천 시스템과 추천 시스템 구축에서의 이슈 등도 간단히 다룬다.
이 책에서는 개인화 추천 기술에 대한 모든 것을 다루지는 않는다. 실제 개인화 추천 시스템을 구현하기 위해서는 알고리즘에 대한 이해에 더하여 데이터 전처리나 대용량 데이터 처리에 대한 이해가 필요하지만, 이 내용들은 이 책에서 다루지 않는다. 이 책에서는 각 알고리즘별로 기본 원리에 대한 설명과 각 알고리즘이 Python으로 어떻게 구현될 수 있는지를 예를 통해서 보여주고 있다. 이 책은 알고리즘을 수학적으로 설명하는 것이 주목적이 아니기 때문에 수식은 알고리즘을 이해하는 데 꼭 필요한 정도로만 한정하였다. 또한 독자의 이해를 돕고 스스로 실습할 기회를 주기 위해서 연습문제도 추가하였다.
이 책을 저술할 때, 컴퓨터나 수학에 대한 깊은 지식이 없더라도 개인화 추천 알고리즘의 작동원리를 큰 어려움 없이 이해할 수 있도록 구성하려고 노력하였다. 다만 Python을 사용한 코딩 부분은 Python에 대한 기초 지식이 있다는 가정하에 설명을 하고 있다. 즉 Python의 기본 문법이나 Numpy, Pandas, Tensorflow 등에 대한 기초적인 설명은 생략하고 이들을 활용한 알고리즘 설명에 초점을 맞추었다. 그
리고 분석기법 중에서는 SGD(Stochastic Gradient Descent)가 중요하게 설명되므로 이에 대한 기본 지식도 필요하다. 또한 Transformer나 LLM을 사용하는 추천 알고리즘을 이해하기 위해서는 Transformer 알고리즘과 LLM에 대한 기본적인 이해가 필요하다. 만일 이런 것에 익숙하지 않은 독자들은 Python 기본 문법과 Numpy, Pandas, Tensorflow 등의 추가 모듈 사용법과 SGD에 대한 기본적인 내용, 그리고 Transformer와 LLM 등을 먼저 학습하고 이 책을 볼 것을 권장한다.
이 책을 처음부터 끝까지 순서대로 착실히 따라 가면 개인화 추천 시스템의 다양한 알고리즘에 대한 기본적인 원리를 이해할 것으로 생각한다. 이 책이 추천 시스템이나 개인화 시스템 구축, 그리고 이를 활용한 AI 에이전트 구축에 관심이 있거나 관련된 연구를 하는 분들께 도움이 되었으면 하는 바람이다.
작가 소개
지은이 : 임일
서울대학교 경영학과 학사, 석사University of Southern California 경영학 박사(정보시스템 전공)전) New Jersey Institute of Technology(NJIT), Information Systems Department 조교수 지능정보시스템학회 학회장현) 연세대학교 경영대학 교수 한국과학기술한림원 정회원[주요 저서]Python을 이용한 개인화 추천 시스템(제2판), 2022디지털 리더십, 클라우드나인, 2021경영자가 알아야 할 4차산업혁명 기업전략, 더메이커, 20174차산업혁명 인사이트, 더메이커, 2016플랫폼의 눈으로 세상을 보라, 성안당, 2015R을 이용한 추천시스템, 카오스북, 2015
목차
Chapter 1 추천 시스템 소개
1.1 주요 추천 알고리즘
1.2 추천 시스템 적용 사례
Chapter 2 기본적인 추천 시스템
2.1 데이터 읽기
2.2 인기제품 방식
2.3 추천 시스템의 정확도 측정
2.4 사용자 집단별 추천
2.5 내용 기반 필터링 추천
Chapter 3 협업 필터링(CF) 추천 시스템
3.1 협업 필터링의 원리
3.2 유사도지표
3.3 기본 CF 알고리즘
3.4 이웃을 고려한 CF
3.5 최적의 이웃 크기 결정
3.6 사용자의 평가경향을 고려한 CF
3.7 그 외의 CF 정확도 개선 방법
3.8 사용자 기반 CF와 아이템 기반 CF
3.9 추천 시스템의 성과측정지표
Chapter 4 Matrix Factorization(MF) 기반 추천
4.1 Matrix Factorization(MF) 방식의 원리
4.2 SGD(Stochastic Gradient Descent)를 사용한 MF 알고리즘
4.3 SGD를 사용한 MF 기본 알고리즘
4.4 Train/Test 분리 MF 알고리즘
4.5 MF의 최적 파라미터 찾기
4.6 MF와 SVD
Chapter 5 Factorization Machines(FM)
5.1 FM의 표준식
5.2 FM 식의 변형
5.3 FM의 학습
5.4 FM의 데이터 변형
5.5 Python으로 FM의 구현
Chapter 6 딥러닝을 사용한 추천 시스템
6.1 Matrix Factorization(MF)을 신경망으로 변환하기
6.2 Keras로 MF 구현하기
6.3 딥러닝을 적용한 추천 시스템
6.4 딥러닝 모델에 변수 추가하기
Chapter 7 오토인코더(AE)를 사용한 추천
7.1 Auto Encoder의 원리
7.2 Auto Encoder를 사용한 추천 시스템의 구현
Chapter 8 Transformer를 사용한 추천 시스템
8.1 Transformer
8.2 Transformer를 추천에 활용하는 방법
8.3 Transformer로 추천 시스템 구현
Chapter 9 Large Language Model(LLM)을 사용한 추천
9.1 LLM을 사용한 추천의 방식
9.2 프롬프팅을 사용한 추천
9.3 임베딩을 사용한 추천
Chapter 10 하이브리드 추천 시스템
10.1 하이브리드 추천 시스템의 장점
10.2 하이브리드 추천 시스템의 원리
10.3 하이브리드 추천 시스템의 예(CF와 MF의 결합)
Chapter 11 대규모 데이터의 처리를 위한 Sparse matrix 사용
11.1 Sparse matrix의 개념과 Python에서의 사용
11.2 Sparse matrix를 추천 알고리즘에 적용하기
Chapter 12 추천 시스템 구축에서의 이슈
12.1 신규 사용자와 아이템(Cold start problem)
12.2 확장성(Scalability)
12.3 추천의 활용 방식(Presentation)
12.4 이진수 데이터(Binary data)의 사용
12.5 사용자의 간접 평가 데이터(Indirect evaluation data) 확보
