비트나인 Graph it

추천 시스템이란? 추천 시스템은 사용자가 콘텐츠 이용 시에 개인화된 추천을 지원하는 시스템으로 콘텐츠 및 사용자의 정보, 콘텐츠에 대한 평가를 기반으로 사용자에게 적합한 콘텐츠를 추천합니다. 그렇다면 추천 시스템은 어떠한 원리로 사용자에게 콘텐츠를 추천하는 걸까요? 전통적으로 잘 알려진 추천 알고리즘은 크게 협업 필터링과 콘텐츠 기반 필터링 기법이 있으며, 이들을 조합한 하이브리드 시스템으로 사용자에게 콘텐츠를 추천합니다. 협업 필터링(Collaborative Filtering)은 사용자의 데이터를 활용해 추천해주는 만큼 상품이나 서비스 이용 또는 구매로 이어질 확률도 높습니다. 게다가 사용자가 많아질수록 데이터가 쌓여 추천 정확도와 신뢰도 또한 증가합니다. 반면에 사용자의 데이터가 없다면 추천이 어렵습..

이번에는 GDB 모델링을 통해 그래프 기반 추천 시스템에 대해 알아볼 것이다. 그래프 모델링으로 추천 시스템을 알아보기 전에 분석관점에서 GDB를 모델링 하기 위해 큰 3가지를 복습할 필요가 있다. 아랫글에 GDB를 모델링 하기 위해 3가지의 고려해야 할 점을 소개한 바 있으니 본 글로 넘어가기 전에 살펴보자. 1) 데이터 및 도메인에 대한 분석 2) 모델링 연구 및 검증 과정 3) 그래프 모델을 통한 가치 도출 및 결과 검증 그래프 모델링으로 알아보는 FDS 분석 관점에서의 그래프 모델링 이번에는 데이터 모델링이란? (그래프 DB편)에서 예고했던 분석 관점에서의 GDB모델링을 실제 사례에 대입하여 비교 확인을 하려 한다. GDB 모델링을 시도해보려면 bitnine.tistory.com 다음은 모델링을 ..

현대는 정보 과잉의 시대다. 정보가 많을수록 무언가를 결정하기가 힘들어진다. 가령 친구와 집에서 영화를 보기로 했다. 사이트에 영화 검색을 했더니 수천 개의 영화들이 쏟아져 나온다. 영화수가 많으니 뭘 볼지 결정이 어려워진다. 무엇을 볼지 인터넷을 뒤지며 한두 시간을 훌쩍 보내다 어렵사리 한 영화를 골라 친구와 보기로 결정했다. 다음번에는 나 대신 누군가 영화를 추천해줬으면 좋겠다는 생각이 든다. 온라인에서 접할 수 있는 콘텐츠가 기하급수적으로 늘어나니 이를 추천해주는 서비스도 우후죽순 생겨나고 있다. 이런 서비스들은 추천 알고리즘을 통해 제공된다. 위의 경우 넷플릭스 구독자라면 서비스에 들어가 본인의 취향에 맞는 영화 목록을 참고했을 것이다. 그렇다면 이런 알고리즘은 어떻게 사용자에게 맞는 콘텐츠를 추..

아젠스그래프(AgensGraph) Use case #1. 그래프 데이터베이스 도입을 통한 상품 추천 서비스 추천 엔진을 활용한 다양한 솔루션 제시 4차 산업혁명을 토대로 IT업계가 활발하게 발전하고 있습니다. 데이터의 형태가 점점 다양해지고 고객의 요구사항도 많아지고 있는 가운데, 아직도 많은 기업이 방대한 양의 데이터를 관계형 데이터베이스(relational database)를 활용하여 처리하고 있습니다. 하지만 관계형 데이터베이스 (relational database) 보다 더 효율적으로 데이터를 다룰 수 있는 그래프 데이터베이스(graph database)라면 어떻게 상황이 바뀌게 될까요? 여기, Graph database를 바탕에 두고 있는 비트나인의 AgensGraph를 활용한 Datametre..