Core Concepts
딥러닝 기반 영화 추천 시스템은 사용자 선호도 예측 정확도가 높지만, 사용자 경험 측면에서 다양한 가치를 균형있게 고려해야 한다.
Abstract
이 연구는 딥러닝 기반 영화 추천 시스템의 성능을 사용자 중심 관점에서 평가하였다. 5가지 대표적인 딥러닝 모델을 선정하여 오프라인 데이터와 실제 사용자 피드백을 통해 다음과 같은 결과를 도출하였다:
각 딥러닝 모델은 사용자 중심 지표(신규성, 다양성, 우연성, 신뢰성, 투명성, 정확성, 만족도)에서 서로 다른 장단점을 보였다. 예를 들어 NCF 모델은 신뢰성과 투명성이 높고, SSE-PT 모델은 우연성이 높지만 신규성과 투명성이 낮았다.
사용자들은 정확성과 함께 최소 하나 이상의 다른 가치를 추구하며, 이들 가치의 적절한 조합 수준을 실험적으로 찾아야 한다.
사용자가 중요하게 여기는 가치와 실제 선호하는 수준 간에 차이가 있었다. 예를 들어 신규성, 다양성, 우연성은 중요하게 여기지만 실제 선호 수준은 상대적으로 낮았다.
이 연구 결과를 바탕으로 각 딥러닝 모델의 최적화 전략과 사용자 중심 추천 시스템 설계 방향을 제안하였다.
Stats
사용자들은 추천 시스템에서 정확성과 함께 최소 하나 이상의 다른 가치를 추구한다.
사용자가 중요하게 여기는 가치와 실제 선호하는 수준 간에 차이가 있다.
신뢰성과 투명성은 정확성 및 만족도와 강한 상관관계를 보인다.
사용자의 상호작용 패턴과 선호하는 가치 수준이 모델의 주관적 성능에 큰 영향을 미친다.
Quotes
"나는 추천 시스템이 내 취향에 잘 맞는 영화를 추천해주기를 바란다. 단순히 높은 평점을 받은 영화만 추천하는 것이 아니라 내가 좋아할 만한 영화를 추천해주었으면 좋겠다."
"추천 이유를 알 수 있으면 좋겠다. 왜 이 영화를 추천해주는지 이해할 수 있으면 더 신뢰할 수 있을 것 같다."
"때로는 예상치 못한 영화를 추천받는 것도 좋지만, 내 취향과 너무 동떨어진 영화는 추천받고 싶지 않다."