추천시스템의 단점

추천시스템이 갖는 제약 사항

확장가능성

추천 시스템의 특성 상, 운영 중인 서니스의 한 파이프라인으로 적용된다. 따라서 서비스의 특성과 자원 상의 제약 등의 한계에서 자유로울 수 없다.

유저와 아이템의 수가 증가함에 따라 확장성의 제약은 크게 증가한다. 정확도를 위해 복잡한 모델만을 사용할 수 없는 딜레마가 있다.

도메인 종속성

서비스 도메인에 따라 추천 대상이 되는 아이템 특성이 다르다.

• 데이터 타입: 이미지, 텍스트, 비디오, 오디오 ...
• 아이템과 유저 관계: 소셜 네트워크, 이커머스, OTT ...

추천 아이템의 특징과 도메인 특성에 따라 적용되는 알고리즘과 시스템 구조가 적절히 고안되어야 한다.

비즈니스 목표의 다양성

비즈니스 종속성이 큰 추천시스템의 특성 상, 다양한 비즈니스 목표가 존재한다.

여러 비즈니스 목표가 충돌하는 경우가 발생한다. 예를 들면 매출액과 유저 확보가 충돌할 수 있다.

• CTR(클릭률) vs CVR(전환율)
• CTR vs Diversity

머신러닝 모델이 최적화하는 손실 함수와 비즈니스 목표가 일치되지 않을 수 있다.

콜드 스타트 문제 (feat. Sparsity)

추천 시스템의 고질적인 문제이다. 신규 유저 혹은 아이템에 상호작용이 없어 추천 알고리즘의 추론이 잘 작동하지 않는 현상이다.

많은 방법론이 이 문제 해결을 위해 고안되었다.

sparsity는 데이터가 부족하게 존재하는 상황을 말한다.

Long Tail은 대다수 (대략 80%) 상품은 상호작용을 거의 갖지 못한다. 즉, 인기가 많은 상품들은 interaction을 많이 쌓아 추천 노출이 잘되지만 인기 없는 상품은 상호작용이 없어 노출이 잘 되지 않을 것이다.

No Clear Ground Truth

유저의 선호도는 주관적이고 동적이다. 추천 알고리즘의 결과로 나온 것들만 유저가 소비할 수 있는 시스템의 경우, 모델의 판단 자체가 고객의 행동에 영향을 미친다.