추천 시스템 알고리즘과 그 성능 비교에 대한 리뷰 연구

Abstract

추천 시스템은 최근 온라인 정보의 폭증 속에서 개인화된 서비스를 제공하는 강력한 도구로 자리 잡았지만, 여전히 확장성, 콜드 스타트 문제, 데이터 희소성 등의 여러 한계와 도전에 직면해 있다. 이러한 시스템을 구축할 때는 다양한 기술 중 최적의 방법을 선택하는 것이 복잡한 과제가 되며, 각 기술마다 고유한 특징과 장단점이 있어 선택 과정이 더욱 까다로워진다. 추천 시스템의 발전과 함께 사용자의 요구가 변화하고, 인터넷 접근성이 높아지면서 시스템의 정밀도는 향상되고 있으나, 여전히 해결해야 할 많은 과제가 남아 있다. 이에 본 논문은 전통적인 추천 시스템과 딥러닝 기반 추천 시스템을 비교 분석하여, 다양한 산업 환경에서의 성능을 평가하는 것을 목표로 한다. 본 연구는 Item-based Collaborative Filtering, User-based Collaborative Filtering, Matrix Factorization, Neural Collaborative Filtering, Neural Graph Collaborative Filtering, GLocal-K의 성능을 Movielens와 Amazon-Books 데이터셋을 활용해 비교하고, 각 알고리즘이 제공하는 추천의 효과를 실증적으로 검토한다. 이를 통해, 현대 추천 시스템의 발전 방향과 사용자 경험을 극대화할 수 있는 최적의 방법론을 제시하고자 한다.;While recommender systems have become a powerful tool for delivering personalized services in the face of explosive online information growth, they continue to encounter significant limitations such as scalability, the cold-start problem, and data sparsity. Selecting the most appropriate technique from a wide range of available methods poses a complex challenge, as each approach carries distinct characteristics, advantages, and drawbacks. Although advancements in recommender systems and increased internet accessibility have led to improvements in accuracy, many critical issues remain unresolved. This study aims to empirically evaluate the performance of both traditional and deep learning-based recommender system algorithms—specifically, Item-based Collaborative Filtering, User-based Collaborative Filtering, Matrix Factorization, Neural Collaborative Filtering, Neural Graph Collaborative Filtering, and GLocal-K—using the MovieLens and Amazon-Books datasets. By comparing their effectiveness across different industrial contexts, we seek to offer practical insights into optimal methodologies for enhancing modern recommender systems and maximizing user experience.