오픈 소스 추천 시스템들은 다양한 목적에 맞게 사용할 수 있지만, 실제 적용 영역에서 발생할 수 있는 모델 제한성, 블랙박스 모델, 확장성과 대용량 데이터 처리 측면에서 일부 단점이 존재할 수 있습니다.

• 대용량 데이터 처리 : 구현된 언어나 방식에 따라 대규모 데이터를 다루는 데 한계가 있을 수 있으며, 대용량 데이터셋에서는 성능 문제가 발생할 수 있습니다
• 제한된 수정 가능성 : 많은 오픈 소스 추천 시스템은 자체 모델을 기반으로 동작하며, 특정 수식의 알고리즘 구현에 초점을 맞춥니다. 이로 인해 상용화나 적용 영역에 따라 수식을 수정하거나 모델을 확장하기 어려울 수 있습니다.
• 블랙박스 모델의 제한 : 몇몇 추천 시스템은 모델 내부 동작을 블랙박스로 다루며, 사용자가 모델 동작을 이해하고 수정 및 확장을 어렵게 만듭니다.

R4tings Recommender 프로젝트는 오픈 소스 추천 엔진을 개발하고, 커뮤니티에 의해 유지 및 발전될 수 있는 오픈소스 에코 시스템 구축을 목적으로 합니다.

• 오픈 소스 추천 엔진 패키지
  • 추천 시스템을 위한 대규모 데이터의 병렬 처리가 가능
  • 추천 처리 과정을 단계별로 분해하여 내부 흐름을 쉽게 이해 할 수 있도록 컴포넌트로 제공
  • 추천모델을 보다 유연하게 확장 할 수 있도록, 내부 알고리즘은 고차 함수로 제공
• 오픈소스 에코 시스템
  • 추천 시스템에 대한 학습과 이해를 돕기 위한 워크북 제공
  • 다양한 배경과 관심을 가진 사용자들이 참여하여 추천 시스템에 대한 새로운 아이디어를 시험
  • 새로운 아이디어의 시험 결과인 추천 기법이나 수정되거나 확장된 기능을 플러그인(Plugin) 형식으로 프로젝트에 공유

이 프로젝트의 목표는 다음과 같습니다.

• 전통적인 통계나 기계 학습 기반 추천 모델들의 구현체와 워크북 제공을 통한 추천 시스템의 학습과 이해
• 시뮬레이터나 프로토타이핑 구현을 통한 학술 연구 목적에서의 이론 및 성능 검증
• 상용 수준의 추천 시스템 구현 가능성 검토

R4tings Recommender는 추천을 위한 평점 점규화와 유사도 계산, 그리고 협업 필터링과 콘텐츠 기반 필터링과 같은 대표적인 평점 예측과 아이템 추천 기법에 대한 구현체를 제공합니다.

평점 데이터는 사용자가 아이템에 매긴 명시적인 피드백인 평점들의 집합입니다. 평점 데이터의 대표적인 예로 2가지 공개 데이터셋과 예제 데이터셋을 살펴봅니다.

Demos - Windows PowerShell

평점 정규화는 데이터 집합에서 다른 범위나 척도를 가진 값을 일정한 범위로 변환하는 과정입니다. 평점 데이터의 경우, 평점이 서로 다른 척도 또는 범위를 가지기 때문에 평점 정규화를 통해 사용자마다 서로 다른 평점 기준과 아이템에 대한 선호에 따른 평점의 차이를 조정합니다.

구분	대상	워크북	예제코드	핵심코드	클래스 다이어그램
평균 중심화	전체/사용자/아이템	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	MeanCenteringTest.java MeanCenteringTest.R	MeanCenteringNormalizer.java
Z점수화	전체/사용자/아이템	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	ZScoreTest.java ZScoreTest.R	ZScoreNormalizer.java
최소-최대화	전체/사용자/아이템	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	MinMaxTest.java MinMaxTest.R	MinMaxNormalizer.java
소수 스케일링화	전체	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	DecimalScalingTest.java DecimalScalingTest.R	DecimalScalingNormalizer.java
이진 임계화	전체	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	BinaryThresholdingTest.java BinaryThresholdingTest.R	ThresholdBinarizer.java

Demos - Windows PowerShell

유사도 계산은 다차원 공간에서 데이터 포인트 간의 유사성을 측정하는 방법입니다. 사용자가 아이템에 매긴 평점 데이터를 기반으로 사용자나 아이템 간의 유사성 또는 거리를 측정하여 데이터 간의 관련성을 파악하는 데 사용됩니다.

구분	대상	워크북	예제코드	핵심코드	클래스 다이어그램
코사인 유사도	사용자/아이템	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	CosineSimilarityTest.java CosineSimilarity.R	CosineSimilarityMeasurer.java
피어슨 상관계수와 유사도	사용자/아이템	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	PearsonSimilarityTest.java PearsonSimilarity.R	PearsonSimilarityMeasurer.java
유클리드 거리와 유사도	사용자/아이템	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	EuclideanSimilarityTest.java EuclideanSimilarity.R	EuclideanSimilarityMeasurer.java
이진 속성과 유사도	사용자/아이템	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	ExtendedJaccardSimilarityTest.java ExtendedJaccardSimilarity.R	ExtendedJaccardSimilarityMeasurer.java

Demos - Windows PowerShell

이웃 기반 협업 필터링 추천

전통적인 협업 필터링 알고리즘 중 하나인 k-최근접 이웃을 사용하는 메모리 기반 협업 필터링 추천 모델입니다. 사용자 간 또는 아이템 간의 유사성을 기반으로 아이템을 추천합니다.

구분	대상	워크북	예제코드	핵심코드	클래스 다이어그램
이웃 기반 협업 필터링 추천	사용자/아이템	수식 살펴보기가중 평균 기반 평점 예측 직접 계산해보기가중 평균 기반 평점 예측 수식 살펴보기평균 중심 가중 평균 유사도 평점 예측 직접 계산해보기평균 중심 가중 평균 유사도 평점 예측 수식 살펴보기Z점수 가중 평균 유사도 평점 예측 직접 계산해보기Z점수 가중 평균 유사도 평점 예측 예제 코드 실행해보기	KNearestNeighborsTest.java KNearestNeighbors.R	KNearestNeighbors.java KNearestNeighborsParams.java

특잇값 분해 기반 협업 필터링 추천

행렬 분해 알고리즘 중 하나인 특잇값 분해 접근 방법을 사용하는 모델 기반 협업 필터링 추천 모델입니다. 평점 데이터의 기준선 추정을 통한 잔차의 절단된 특잇값 분해를 기반으로 아이템을 추천합니다.

구분	대상	워크북	예제코드	핵심코드	클래스 다이어그램
특잇값 분해 기반 협업 필터링 추천	사용자/아이템	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	BaselineSingleValueDecompositionTest.java	BaselineSingleValueDecomposition.java BaselineSingleValueDecompositionParams.java

콘텐츠 기반 필터링 추천

콘텐츠 기반 필터링 추천은 사용자가 선호하는 아이템의 특징, 즉 콘텐츠가 유사한 아이템을 추천하는 메모리 기반 추천 모델입니다. 아이템의 TF-IDF 벡터를 구하고, 사용자의 TF-IDF 벡터 간의 코사인 유사도를 계산하여 아이템을 추천합니다.

구분	대상	워크북	예제코드	핵심코드	클래스 다이어그램
콘텐츠 기반 필터링 추천	사용자/아이템	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	TermFrequencyInverseDocumentFrequencyTest.java	TermFrequencyInverseDocumentFrequency.java TermFrequencyInverseDocumentFrequencyParams.java

연관 규칙 기반 추천

연관 규칙 추천은 어떤 아이템과 동반하여 등장하는 아이템에 대한 규칙인 아이템 간의 연관성을 분석하여 아이템을 추천하는 메모리 기반 추천 모델입니다. 흥미도 측도인 연관 규칙의 지지도와 신뢰도를 계산하여 아이템을 추천합니다.

구분	대상	워크북	예제코드	핵심코드	클래스 다이어그램
연관 규칙 기반 추천	사용자/아이템	수식 살펴보기 직접 계산해보기 예제 코드 실행해보기	AssociationRuleMiningTest.java	AssociationRuleMining.java AssociationRuleMiningParams.java

Demos - Windows PowerShell

• 프로그래밍 언어 : Java 100% (JDK 8 / 11 호환)
• 개발 환경
  • 빌드 도구 : Gradle 8.3
  • IDE: IntelliJ IDEA Community Edition
• 라이브러리 및 프레임워크
  • Apache Spark 3.5.0 (Scala 2.12)
  • Junit
  • Logback
  • Project Lombok
  • Zip4j
• 소프트웨어 형상 관리: Git / GitHub
• 데이터셋
  • 예제(r4tings) 데이터셋 – 평점 30개
  • 북크로싱(Book-Crossing) 데이터셋 – 평점 1,149,780개
  • 무비렌즈(MovieLens) 데이터셋 – 평점 27,753,444개

• 소스 코드 저장소(GitHub)
  • 핵심 코드
  • 예제 코드
• 워크북

• API 문서(API Docs)
  • Java
  • Test Fixture

• 기능 오류나 개선 사항이 있는 경우에는 ISSUES에 등록하거나 DISCUSSIONS을 통하여 피드백 해 주세요.
• 프로젝트의 참여나 기여도 언제나 환영합니다. 자세한 정보는 CONTRIBUTORS에서 확인할 수 있습니다.

• 듀얼 라이선스
  • 핵심코드와 예제코드: Apache License 2.0
  • 워크북 : Creative Commons BY-NC-SA 4.0

• Recommender systems handbook. Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B. Kantor. (2011).
• Recommender Systems - The Textbook. Charu C. Aggarwal. (2016).
• Introduction to Data Mining, 2nd edition. P. Tan, M. Steinbach, A. Karpatne, Vipin Kumar. (2018).
• recommenderlab: An R framework for developing and testing recommendation algorithms. Mi/recommender/docs/workbook/latest/chael Hahsler. (2022).
• Recommender Systems Specialization. Coursera.
• Apa/recommender/docs/workbook/latest/che Spark. The Apa/recommender/docs/workbook/latest/che Software Foundation.

프로젝트에 대한 질문이나 제안, 또는 기타 연락이 필요한 경우, dongsup.kim@r4tings.com으로 연락 주세요.