개요:

실제 서비스 되는 추천 시스템의 추천 모델은 복잡해지고, 다양한 intertaction 데이터를 사용하고, 깊은 데이터 파이프라인(후보군 생성->랭킹->필터링->다양화)을 갖고 있습니다. 이런 이유로 추천 모델의 개선을 통해 지표가 상승되었을 때 그 이유와 효과를 잘 이해하고, 쉽게 설명하기 어렵습니다. 

이런 문제점을 해결하기 위해 카카오웹툰에 Explainable Recommendation을 적용하고 분석했던 사례를 이야기하고자 합니다. 

Explainable Recommendation은 

1. 사용자에게는 추천 결과의 추천 이유를 함께 제공하여 알고리즘의 투명성, 설득력, 신뢰감을 높여 사용자 만족도를 높이고 
2. 추천 기술 엔지니어에게는 개발한 추천 모델의 추천 이유를 정량적으로 해석하고 지표에 어떻게 영향을 주었는지 분석적으로 해석할 수 있습니다. 이는 지속적으로 올바른 방향으로 추천 시스템을 개선할 수 있는 것을 의미합니다. 

또한 Explainable Recommendation은 사용자가 컨텐츠를 어떻게 소비했는지 이해하는 데 유용합니다.