35분

추천시스템 + KG 아키텍처

응용 아키텍처 (추천, 사기탐지, LLM+KG)

학습 목표

전통적 CF의 한계와 KG 기반 추천의 장점을 설명할 수 있다 Meta-Path 추천 패턴을 이해하고 Cypher로 구현할 수 있다

추천시스템 + Knowledge Graph 아키텍처

학습 목표

  • 전통적 CF의 한계와 KG 기반 추천의 장점을 설명할 수 있다
  • Meta-Path 추천 패턴을 이해하고 Cypher로 구현할 수 있다

1. 전통적 추천시스템의 한계

문제설명KG 해결
Cold Start새 사용자/아이템에 데이터 없음KG 속성으로 유사도 계산
Sparsity대부분 사용자가 소수 아이템만 평가그래프 경로로 간접 관계 발견
Explainability"왜 추천했는지" 설명 불가경로로 추천 이유 설명 가능
Filter Bubble비슷한 것만 계속 추천그래프 탐색으로 다양성 확보

2. KG 기반 추천 아키텍처

에디터 로딩 중...

3. Meta-Path 추천 패턴 (5가지)

에디터 로딩 중...

Netflix, Amazon 추천 아키텍처 참고

기업CF 비중KG 비중콘텐츠 비중특징
Netflix40%30%30%시청 이력 + 장르/배우 그래프
Amazon50%25%25%구매 + FREQUENTLY_BOUGHT_WITH
Spotify35%35%30%청취 + 아티스트/장르/무드 그래프

📖 심화 읽기: 이강배 외, "지식그래프: AI와 온톨로지로 여는 지식혁명", 유원북스, 2025

핵심 포인트
  • • 전통 CF 한계: Cold Start, Sparsity, Explainability, Filter Bubble
  • • KG가 해결: 속성 유사도, 그래프 경로, 추천 이유 설명, 다양성
  • • 5가지 Meta-Path 패턴: CF 경로, 콘텐츠, 배우/감독, 소셜, 하이브리드
  • • 하이브리드: CF 점수 + KG 점수 + 콘텐츠 점수 가중 합산
이전다음