다양한 데이터와 다양한 알고리즘 조합하는 방식
•
유저와 아이템 프로필, 유저와 아이템의 상호관계, 유저 주변의 다른 유저 정보, 아이템과 비슷한 다른 아이템 정보
•
가용할 수 있는 최대 정보(지식)을 다양한 source로부터 얻어서 활용하는 방식
→ 다양한 추천알고리즘의 장점만 모아서 성능 좋고 뛰어난 시스템 만드는 방식
하이브리드 유형
wegithed Ensemble
•
여러 모델의 추천 결과(score, 유사도, 평점 등)를 하나로 ensemble 하는 기법
◦
각 모델마다 weight가 있다고 가정하고, 모델 별로 나타낸 결과에서 나온 weight를 곱해서 ensemble 결과 도출
◦
이때 모델의 weight를 정하는 방법: 모델 별로 test셋에 대한 성능을 기준으로 가장 높은 성능을 낸 모델은 큰 weight, 가장 성능이 낮은 모델은 작은 weight를 줌
Other Hybrid Methods
순차적 결합
학습된 여러 개의 추천 엔진 중에서 현재의 상황에 가장 적절한 모델을 선택하는 방식
Mixed
•
추천시스템이 적용될 플랫폼에 특징이 다른 여러 추천알고리즘 활용하고, 이때 알고리즘의 추천 결과를 모두 보여주는 방식
Switch
•
플랫폼 내 사용자 or 서비스 상태 등 특정 상황 고려하여 여러 추천 알고리즘의 추천 결과를 선택적으로 보여주는 방식
•
ex) 사용자 접속 기기: 모바일 기기 
content-based, 컴퓨터 collaborative filtering
content-based, 컴퓨터 collaborative filteringFeature Combination
•
보유하고 있는 데이터로부터 얻을 수 있는 다양한 feature를 모두 조합하여 추천 알고리즘을 학습하고 추천하는 방식 (하나의 추천 알고리즘에 모든 feature 때려 넣음)
Meta-Level
•
여러 추천 알고리즘을 활용할 때 첫번째 모델이 다음 모델의 input이 되면서 서로가 서로의 정보를 학습하여 추천하는 방식
•
다음 모델은 더 나은 추천모델이 될 수 있음 (이전 모델이 잘한 것(장점)을 바탕으로 다음 모델은 더 좋은 성능을 발휘할 것으로 가정)
모델의 형태에 따른 하이브리드 전략 분류
1.
독립된 추천 결과를 조합
a.
Mixed, 순차적 결합, 가중평균합, 특징 결합이 이에 해당
2.
콘텐츠 기반 정보 → 협업 필터링 모델에 적용
3.
협업 필터링의 정보 → 콘텐츠 기반 모델에 적용
4.
협업 필터링과 콘텐츠 기반 접근 방식을 동시에 고려하는 단일 모델 구축
Evaluation for Hybrid Methods
1. Service Perspective (서비스 관점)
•
Business KPI: 사업 목표 달성했는지
•
Online/Offline evaluation
2. Model Performance Perspective (모델 관점)
•
Accuracy, Coverage, Popularity
•
Diversity, Serendipity(Novelty), Scalability : 수치화된 점수들이 더 좋아졌는지 다양한 지표로 측정
•
Personlization
•
Rating Prediction: RMSE, NDCG