1장. 추천 시스템 소개

1.1 개요
1.2 추천 시스템의 목표
1.21 추천 애플리케이션의 범위
1.3 추천 시스템의 기본 모델
1.3.1 협업 필터링 모델
1.3.1.1 평점의 종류
1.3.1.2 결측치 분석과의 관계
1.3.1.3 분류와 회귀 모델링의 일반화로써의 협업 필터링
1.3.2 콘텐츠 기반 추천 시스템
1.3.3 지식 기반 추천 시스템
1.3.31 효용 기반 추천 시스템
1.3.4 인구 통계학적 추천 시스템
1.3.5 하이브리드와 앙상블 기반 추천 시스템
1.3.6 추천 시스템의 평가
1.4 추천 시스템의 도메인 특화 과제
1.4.1 컨텍스트 기반 추천 시스템
1.4.2 시간에 민감한 추천 시스템
1.4.3 위치 기반 추천 시스템
1.4.4 소셜 추천 시스템
1.4.4.1 노드와 링크의 구조적 추천
1.4.4.2 사회적 영향을 고려한 제품과 콘텐츠 추천
1.4.4.3 신뢰할 수 있는 추천 시스템
1.4.4.4 소셜 태그 피드백을 활용한 추천
1.5 고급 주제 및 애플리케이션
1.5.1 추천 시스템의 콜드 스타트 문제
1.5.2 공격에 강한 추천 시스템
1.5.3 그룹 추천 시스템
1.5.4 다중 기준 추천 시스템
1.5.5 추천 시스템의 능동 학습
1.5.6 추천 시스템의 개인정보보호
1.5.7 애플리케이션 도메인
1.6 요약
1.7 참고문헌
1.8 연습 문제

2장. 이웃 기반 협업 필터링

2.1 개요
2.2 평점 행렬의 주요 특징
2.3 이웃 기반 방법론의 평점 예측
2.3.1 사용자 기반 이웃 모델
2.3.1.1 유사도 함수 변형
2.3.1.2 예측함수의 변형
2.3.1.3 피어 그룹 필터링의 변형
2.3.1.4 롱테일의 영향
2.3.2 아이템 기반 이웃 모델
2.3.3 효율적 구현 및 계산 복잡성
2.3.4 사용자 기반 방법론과 아이템 기반 방법론의 비교
2.3.5 이웃 기반 방법론의 장점과 단점
2.3.6 사용자 기반과 아이템 기반 방법론의 통합된 관점
2.4 클러스터링과 이웃 기반 방법론
2.5 차원 축소와 이웃 기반 방법론
2.5.1 바이어스 문제 처리
2.5.1.1 최대 우도 추정
2.5.1.2 불완전한 데이터의 직접 행렬 인수분해
2.6 이웃 방법론의 회귀 모델링 관점
2.6.1 사용자 기반 최근접 이웃 회귀
2.6.1.1 희소성 및 바이어스 문제
2.6.2 아이템 기반 가장 근접 이웃 회귀
2.6.3 사용자 기반 및 아이템 기반 방법 결합
2.6.4 유사도 가중치를 이용하는 조인트 보간법
2.6.5 희소 선형 모델(SLIM)
2.7 이웃 기반 방법에 대한 그래프 모델
2.7.1 사용자-아이템 그래프
2.7.1.1 랜덤 워크를 이용한 이웃 정의
2.7.1.2 카츠 척도를 이용한 이웃 정의
2.7.2 사용자-사용자 그래프
2.7.3 아이템-아이템 그래프
2.8 요약
2.9 참고문헌
2.10 연습 문제

3장. 모델 기반 협업 필터링

3.1 개요
3.2 의사 결정 및 회귀 트리
3.2.1 의사 결정 트리를 협업 필터링으로 확장
3.3 규칙 기반 협업 필터링
3.3.1 협업 필터링을 위한 레버리지 연관 규칙의 활용
3.3.2 아이템별 모델 대 사용자별 모델
3.4 나이브 베이즈 협업 필터링
3.4.1 과적합 조정
3.4.2 이진 평점에 대한 베이즈 방법의 적용 예
3.5 임의의 분류 모델을 블랙 박스로 사용
3.5.1 예: 신경망을 블랙 박스로 사용
3.6 잠재 요인 모델
3.6.1 잠재 요인 모델에 대한 기하학적 직관
3.6.2 잠재 요인 모델에 관한 저차원 직관
3.6.3 기본 행렬 인수분해 원리
3.6.4 제약 없는 행렬 인수분해
3.6.4.1 확률적 경사하강법
3.6.4.2 정규화
3.6.4.3 점진적 잠재성분 훈련
3.6.4.4 최소 제곱과 좌표 하강의 교차 적용
3.6.4.5 사용자 및 아이템 바이어스 통합
3.6.4.6 암시적 피드백 통합
3.6.5 특이값 분해
3.6.5.1 SVD에 대한 간단한 반복 접근법
3.6.5.2 최적화 기반 접근법
3.6.5.3 표본 외 추천
3.6.5.4 특이값 분해의 예
3.6.6 비음행렬 인수분해
3.6.6.1 해석 가능성의 장점
3.6.6.2 암시적 피드백을 사용한 인수분해에 대한 고찰
3.6.6.3 암시적 피드백에 대한 계산 및 가중치 문제
3.6.6.4 좋아요와 싫어요가 모두 있는 평점
3.6.7 행렬 인수분해 계열의 이해
3.7 분해와 이웃 모델 통합
3.7.1 베이스라인 추정 모델: 개인화되지 않은 바이어스 중심 모델
3.7.2 모델의 이웃 부분
3.7.3 모델의 잠재 요인 부분
3.7.4 이웃 및 잠재 요인 부분의 통합
3.7.5 최적화 모델 풀기
3.7.6 정확도에 대한 고찰
3.7.7 잠재 요인 모델을 임의 모델과 통합
3.8 요약
3.9 참고문헌
3.10 연습 문제

4장. 콘텐츠 기반 추천 시스템

4.1 개요
4.2 콘텐츠 기반 시스템의 기본 구성 요소
4.3 전처리 및 피처 추출
4.3.1 피처 추출
4.3.1.1 상품 추천의 예
4.3.1.2 웹 페이지 추천의 예
4.3.1.3 음악 추천의 예
4.3.2 피처 표현 및 정제
4.3.3 사용자가 좋아하는 것과 싫어하는 것 수집
4.3.4 지도 피처 선택과 가중치 설정
4.3.4.1 지니 계수
4.3.4.2 엔트로피
4.3.4.3 X2-통계
4.3.4.4 정규화된 편차
4.3.4.5 피처 가중치 설정
4.4 사용자 프로파일 학습 및 필터링
4.4.1 최근접 이웃 분류
4.4.2 사례 기반 추천 시스템과의 연결
4.4.3 베이즈 분류 모델
4.4.3.1 중간 확률 추정
4.4.3.2 베이즈 모델의 예
4.4.4 규칙 기반 분류 모델
4.4.4.1 규칙 기반 방법의 예
4.4.5 회귀 기반 모델
4.4.6 기타 학습 모델 및 비교 개요
4.4.7 콘텐츠 기반 시스템에 관한 설명
4.5 콘텐츠 기반 대 협업 필터링 추천
4.6 협업 필터링 시스템을 위한 콘텐츠 기반 모델 사용
4.61 사용자 프로파일 활용
4.7 요약
4.8 참고문헌
4.9 연습 문제

5장. 지식 기반 추천 시스템

5.1 개요
5.2 제약 조건 기반 추천 시스템
5.2.1 관련 결과의 반환
5.2.2 상호작용 방법론
5.2.3 일치하는 아이템의 순위 매기기
5.2.4 허용되지 않는 결과 또는 공집합 처리
5.2.5 제약 조건 추가
5.3 사례 기반 추천
5.3.1 유사도 메트릭
5.3.1.1 유사도 계산에 다양성 통합
5.3.2 수정 방법론
5.3.2.1 간단한 수정
5.3.2.2 복합적 수정
5.3.2.3 동적 수정
5.3.3 수정에 대한 설명
5.4 지식 기반 시스템의 지속적인 개인화
5.5 요약
5.6 참고문헌
5.7 연습 문제

6장. 앙상블 기반과 하이브리드 추천 시스템

6.1 개요
6.2 분류 관점에서 본 앙상블 방법
6.3 가중 하이브리드
6.3.1 다양한 유형의 모델 조합
6.3.2 분류에서 배깅 적응
6.3.3 무작위성의 주입
6.4 스위칭 하이브리드
6.4.1 콜드 스타트 문제를 위한 스위칭 메커니즘
6.4.2 모델 버킷
6.5 캐스케이드 하이브리드
6.5.1 추천의 연속적인 재정의
6.5.2 부스팅
6.5.2.1 가중 기본 모델
6.6 피처 증강 하이브리드
6.7 메타 레벨 하이브리드
6.8 피처 결합 하이브리드
6.8.1 회귀 및 행렬 인수분해
6.8.2 메타 레벨 피처
6.9 혼합 하이브리드
6.10 요약
6.11 참고문헌
6.12 연습 문제

7장. 추천 시스템 평가

7.1 개요
7.2 평가 패러다임
7.2.1 사용자 연구
7.2.2 온라인 평가
7.2.3 과거 데이터 세트를 사용한 오프라인 평가
7.3 평가 디자인의 일반적 목표
7.3.1 정확성
7.3.2 커버리지
7.3.3 신뢰도와 신뢰
7.3.4 참신성
7.3.5 의외성
7.3.6 다양성
7.3.7 강건성과 안정성
7.3.8 확장성
7.4 오프라인 추천 평가의 설계 문제
7.4.1 넷플릭스 프라이즈 데이터 세트 사례 연구
7.4.2 학습 및 테스트 평점 분류
7.4.2.1 홀드 아웃
7.4.2.2 교차 검증
7.4.3 분류 설계와 비교
7.5 오프라인 평가의 정확도 지표
7.5.1 평점 예측의 정확도 측정
7.5.1.1 RMSE 대 MAE
7.5.1.2 롱테일의 영향력
7.5.2 상관관계를 통한 순위 평가
7.5.3 유용성을 통한 순위 평가
7.5.4 수신자 조작 특성을 통한 순위 평가
7.5.5 어떤 순위 측정 척도가 가장 좋은가?
7.6 평가 측정 척도의 한계
7.6.1 평가 조작 방지
7.7 요약
7.8 참고문헌
7.9 연습 문제

8장. 컨텍스트에 맞는 추천 시스템

8.1 개요
8.2 다차원 접근법
8.2.1 계층 구조의 중요성
8.3 컨텍스트 사전 필터링: 감소 기반 접근 방식
8.3.1 앙상블 기반 개선 사항
8.3.2 다단계 추정
8.4 사후 필터링 방법론
8.5 컨텍스트별 모델링
8.5.1 이웃 기반 방법
8.5.2 잠재 요인 모델
8.5.2.1 인수분해 머신
8.5.2.2 2차 인수분해 머신의 일반화
8.5.2.3 잠재 파라미터화의 다른 적용 사례
8.5.3 콘텐츠 기반 모델
8.6 요약
8.7 참고문헌
8.8 연습 문제

9장. 시간과 위치에 민감한 추천 시스템

9.1 개요
9.2 시간적 협업 필터링
9.2.1 최신성 기반 모델
9.2.1.1 감쇠 기반 방법
9.2.1.2 윈도우 기반 방법
9.2.2 주기적 컨텍스트 처리
9.2.2.1 사전 필터링과 사후 필터링
9.2.2.2 시간적 컨텍스트의 직접적인 포함
9.2.3 시간 함수로서의 평점 모델링
9.2.3.1 시간-SVD++ 모델
9.3 이산 시간 모델
9.3.1 마르코프 모델
9.3.1.1 선택적 마르코프 모델
9.3.1.2 다른 마르코프 대안
9.3.2 순차 패턴 마이닝
9.4 위치 인식 추천 시스템
9.4.1 선호 지역
9.4.2 여행 지역
9.4.3 선호도와 여행 위치 조합
9.5 요약
9.6 참고문헌
9.7 연습 문제

10장. 네트워크의 구조 추천

10.1 개요
10.2 순위 알고리듬
10.2.1 페이지랭크
10.2.2 개인화된 페이지랭크
10.2.3 이웃 기반 방법에 대한 응용
10.2.3.1 소셜 네트워크 추천
10.2.3.2 이종 소셜 미디어의 개인화
10.2.3.3 전통적인 협업 필터링
10.2.4 유사도랭크
10.2.5 검색과 추천의 관계
10.3 집단 분류에 의한 추천
10.3.1 반복 분류 알고리듬
10.3.2 랜덤 워크를 통한 레이블 전파
10.3.3 소셜 네트워크에서 협업 필터링에 대한 적용성
10.4 친구 추천: 링크 예측
10.4.1 이웃 기반 척도
10.4.2 카츠 척도
10.4.3 랜덤 워크 기반 척도
10.4.4 분류 문제로서의 링크 예측
10.4.5 링크 예측을 위한 행렬 인수분해
10.4.5.1 대칭 행렬 인수분해
10.4.6 링크 예측과 협업 필터링 간의 연결
10.4.6.1 협업 필터링에 링크 예측 알고리듬 사용
10.4.6.2 협업 필터링 알고리듬을 사용한 링크 예측
10.5 사회적 영향 분석 및 입소문 마케팅
10.5.1 선형 임계값 모델
10.5.2 독립 캐스케이드 모델
10.5.3 영향 함수 평가
10.5.4 소셜 스트림의 목표 영향 분석 모델
10.6 요약
10.7 참고문헌
10.8 연습 문제

11장. 사회와 신뢰 중심 추천 시스템

11.1 개요
11.2 사회적 맥락을 위한 다차원 모델
11.3 네트워크 중심과 신뢰 중심 방법론
11.3.1 신뢰 네트워크 구축을 위한 데이터 수집
11.3.2 신뢰 전파 및 집계
11.3.3 신뢰 전파가 없는 단순 추천 모델
11.3.4 TidalTrust 알고리듬
11.3.5 MoleTrust 알고리듬
11.3.6 TrustWalker 알고리듬
11.3.7 링크 예측 방법론
11.3.8 행렬 인수분해 방법론
11.3.8.1 로지스틱 함수의 개선
11.3.8.2 소셜 신뢰 성분의 변형
11.3.9 소셜 추천 시스템의 장점
11.3.9.1 논란의 여지가 있는 사용자와 아이템에 대한 추천
11.3.9.2 콜드 스타트의 유용성
11.3.9.3 공격 저항
11.4 소셜 추천 모델의 사용자 상호작용
11.4.1 포크소노미 표현하기
11.4.2 소셜 태깅 시스템의 협업 필터링
11.4.3 의미 있는 태그 선택
11.4.4 평점 행렬이 없는 소셜 태깅 추천 모델
11.4.4.1 컨텍스트 민감 시스템을 위한 다차원 방법론
11.4.4.2 순위 기반 방법론
11.4.4.3 콘텐츠 기반 방법론
11.4.5 평점 행렬을 사용한 소셜 태깅 추천 모델
11.4.5.1 이웃 기반 접근법
11.4.5.2 선형 회귀
11.4.5.3 행렬 인수분해
11.4.5.4 콘텐츠 기반 방법
11.5 요약
11.6 참고문헌
11.7 연습 문제

12장. 공격 방지 추천 시스템

12.1 개요
12.2 공격 모델의 트레이드 오프 이해
12.2.1 공격 영향 계량화
12.3 공격 유형
12.3.1 랜덤 공격
12.3.2 평균 공격
12.3.3 밴드 왜건 공격
12.3.4 인기 공격
12.3.5 사랑/증오 공격
12.3.6 역밴드 왜건 공격
12.3.7 탐지 공격
12.3.8 세그먼트 공격
12.3.9 기본 추천 알고리듬의 효과
12.4 추천 시스템에서 공격 탐지
12.4.1 개인 공격 프로파일 탐지
12.4.2 그룹 공격 프로파일 탐지
12.4.2.1 전처리 방법
12.4.2.2 온라인 방법
12.5 강력한 추천 디자인을 위한 전략
12.5.1 CAPTCHA를 사용한 자동 공격 방지
12.5.2 사회적 신뢰 사용
12.5.3 강력한 추천 알고리듬 설계
12.5.3.1 클러스터링을 이웃 방법에 통합
12.5.3.2 추천 시간 동안 가짜 프로파일 탐지
12.5.3.3 연관 기반 알고리듬
12.5.3.4 강건한 행렬 인수분해
12.6 요약
12.7 참고문헌
12.8 연습 문제

13장. 추천 시스템의 고급 주제

13.1 개요
13.2 순위학습
13.2.1 쌍별 순위학습
13.2.2 목록 순위학습
13.2.3 다른 도메인에서의 순위학습 방법과 비교
13.3 멀티암 밴딧 알고리듬
13.3.1 나이브 알고리듬
13.3.2 e-탐욕 알고리듬
13.3.3 상계(신뢰상한) 방법
13.4 그룹 추천 시스템
13.4.1 협업 및 콘텐츠 기반 시스템
13.4.2 지식 기반 시스템
13.5 다중 기준 추천 시스템
13.5.1 이웃 기반 방법
13.5.2 앙상블 기반 방법
13.5.3 전체 평점 없는 다중 기준 시스템
13.6 추천 시스템의 능동적 학습
13.6.1 이질성 기반 모델
13.6.2 성능 기반 모델
13.7 추천 시스템의 개인정보보호
13.7.1 응축 기반 개인정보보호
13.7.2 고차원 데이터에 대한 도전
13.8 흥미로운 응용 분야
13.8.1 포털 콘텐츠 개인화
13.8.1.1 동적 프로파일러
13.8.1.2 구글 뉴스 개인화
13.8.2 전산 광고 대 추천 시스템
13.8.2.1 멀티암 밴딧의 중요성
13.8.3 상호 추천 시스템
13.8.3.1 하이브리드 방법 활용
13.8.3.2 링크 예측 방법 활용
13.9 요약
13.10 참고문헌