사용자-사용자 메모리 기반 협조 필터링(User-Based Memory-Based Collaborative Filtering)

[주인장]

✅ 개념 정리

비슷한 행동 패턴을 가진 사용자끼리 서로 아이템을 추천해주는 방식

즉, “나와 비슷한 취향을 가진 사람들이 좋아한 아이템을 나도 좋아할 가능성이 높다”는 가정에 기반합니다.

📦 예시

• 사용자 A, B, C가 다음과 같은 영화에 평점을 줬다고 할 때:

사용자 / 영화 X / 영화 Y / 영화 Z

A	5	4	?
B	5	4	3
C	2	1	5

→ 사용자 A는 사용자 B와 매우 유사한 취향
→ B가 좋아한 영화 Z도 A에게 추천 가능

✅ 작동 방식

1. 사용자 간 유사도 계산

   • 보통 코사인 유사도, 피어슨 상관계수 등을 사용

2. K-Nearest Neighbors(KNN) 방식으로 가장 비슷한 사용자 k명을 선택

3. 그들이 좋아한 아이템 중 A가 보지 않은 것 추천

✅ 장점

항목 / 설명

✅ 개인화	사용자 간 관계를 기반으로 정밀한 개인화 가능
✅ 구현 쉬움	개념이 직관적이고 라이브러리도 다양함 (Surprise, sklearn 등)

❌ 단점

항목 / 설명

❌ 희소성 문제	사용자-아이템 평점 행렬이 매우 희소할 경우 유사도 계산이 어려움
❌ 확장성 낮음	사용자가 많아질수록 계산 비용 증가 (메모리 기반)
❌ Cold Start	신규 사용자나 아이템에 추천이 어려움

✅ 사용자 기반 vs 아이템 기반 비교

항목 / 사용자 기반 협업 필터링 / 아이템 기반 협업 필터링

유사도 기준	사용자 간 유사도	아이템 간 유사도
추천 방식	비슷한 사용자들이 좋아한 아이템 추천	사용자가 좋아한 아이템과 유사한 아이템 추천
대표 알고리즘	User-User CF	Item-Item CF
성능	사용자가 적을 땐 효과적	사용자가 많을수록 안정적