1 of 24

인공지능과 추천시스템

중간 발표

DFMBA 20239037 김기태

0

DFMBA

2 of 24

3개 전공을 하였다

> 2 Yes 1 No

유라시아를 일주한 바 있다

부산 출신이다

1

MIDAS ASSET

1

DFMBA

1

DFMBA

3 of 24

3개 전공을 하였다

경제학(본) + 정치외교학 + 정치경제철학

> 2 Yes 1 No

유라시아를 일주한 바 있다

2013년 3월~5월
시베리아 횡단열차
러시아어 (조금) 가능 – TORFL 1급

부산 출신이다

34년간 한번도 방문 못해 봄
말로만 들었던 그곳

2

MIDAS ASSET

2

DFMBA

2

DFMBA

4 of 24

> 무엇을 하고 있는지?

마이다스에셋자산운용

21년 된 액티브 주식 위주 운용사
이제 채권도 합니다
입사 후 채권 AUM 8배 확대

AUM 추이

3

MIDAS ASSET

3

DFMBA

3

DFMBA

5 of 24

> 무엇을 하고 있는지?

펀드매니저: 채권펀드 운용

채권을 사고 파는 일
보통 장외거래, 메신저 사용
보유수익률, 상대가치 고려

롤링구간 모니터링 모델

모델 활용 운용

4

MIDAS ASSET

4

DFMBA

4

DFMBA

제가 하는 일은 채권자산을 운용하는 펀드매니저입니다.

아무래도 시간이 없다보니 제안서 그림을 많이 가져왔는데요

대략적으로 제가 하는 일을 말씀드리면 채권을 싸게사서 비싸게 파는 일을 하고 있습니다.

왼쪽 아래 그림은 펀드 내 채권의 보유수익을 표시하는 화면입니다.

이자율 + 커브 변화 X시 롤링수익을 가정한건데 쉽게말해 가만히 갖고 있을때 얼마나 버는지/잃는지를 표시한 수치입니다.

이자율 기간구조가 변화하지 않는다는 가정 하에서 이를 기초로 운용하게 됩니다~

그리고 요새처럼 변화가 클 때는 모델 등을 활용하여 모멘텀, 상대가치 측면에서 Dur을 얼마나 잡을지, 장단기 비율을 어떻게 할지 등을 결정합니다. 오른쪽 아래는 이에 따른 듀레이션 조절 사례입니다

6 of 24

> 무엇을 하고 있는지?

크레딧 애널리스트: 크레딧 리스크 관리

재무지표 모델 + 산업분류 모델을 합성하여 발행사별 Scoring
크레딧 스프레드 예측
보유 회사채 중 펀더멘탈 열위종목 매도
Top-Pick 선정

연도	시장 상하향 배율(KIS)	당사 상하향 배율
2020	0.48	∞(하향 없음)
2021	1.38	∞(하향 없음)
2022	1.17	11.00
2023	0.85	2.50
상하향 배율 = 상향종목 수/하향종목 수 배율이 높을수록 우수한 종목선택을 의미

5

MIDAS ASSET

5

DFMBA

5

DFMBA

7 of 24

> 무엇을 하고 있는지?

크레딧 애널리스트: 크레딧 리스크 관리

앞선 모델을 바탕으로 크레딧 리스크 선제적 관리
사례) 2022년 레고랜드, 2023년 롯데그룹 강등 시 대응

레고랜드 당시 A펀드 크레딧 섹터 비중 및 성과

롯데그룹 강등(23.6.) 전까지 펀드 롯데그룹 익스포저

기간	순매도액(억)	최종 익스포저
2021.10.~2023.6.	1,409.96	200

* 등급에 그룹 요인이 반영된 롯데계열로 집계

롯데케미칼, 롯데지주, 롯데렌탈, 롯데캐피탈, 롯데물산, 롯데오토리스 대상

6

MIDAS ASSET

6

DFMBA

6

DFMBA

8 of 24

> Why DFMBA?

희망사항) NPL + Algorithm?

NPL을 통해 장외거래 호가 분석 -> 자동으로 정리 + 패턴의 발견?
Algorithm 개발 -> Momentum과 Mean Reversion의 최적 비율?
시장 국면별 Parameter 변화? -> Gaussian Mixture Model?

중장기물

축소

BM-0.2년

추가

축소

BM-0.4년

일부

이익 실현

BM-0.2년

희망사항1: 장외거래 호가분석

희망사항2: 더 고도화된 모델 개발

7

MIDAS ASSET

7

DFMBA

7

DFMBA

제가 DFMBA에 온 것은 여러분들과 같이 일에 조금 퀀트적인 부분을 더하고 싶어서입니다.

우선 첫째로 오른쪽 아래 보이시면 이게 어제자 채권거래 메신저 텍스트인데요

이런 메신저는 자연어로 되어 있어서 보고 정리하고 다른 채권끼리 비교하고 이런걸 다 사람이 해야하는 단점이 있었습니다.

이를 자연어 분석으로 체계화해 좀 쉽게 일하고 싶은게 제 첫 목표입니다.

둘째로 좀 더 고도화된 채권거래 모델을 개발하고 싶은데요

Mom.과 MR 간의 적절한 파라미터는 무엇인지, 시장 국면별로 경험적으로 그것들이 변하는거 같은데 그러한 상관관계를 어떻게 포착할지 등에 있어 관심이 많습니다.

추후 졸업 프로젝트에서 이런거 관심 있으시면 말씀 부탁드립니다 ㅎㅎ

9 of 24

> Why Recommender system?

ML을 통한 상대가치 추천?

맛집 추천?

최적의 채권을 추천할 수 있을까? + 개인적 관심인 맛집탐방

ML을 통한 최적 구간 추천 -> Criteria를 무엇으로?

개인적 취미 -> 맛집탐방

8

MIDAS ASSET

8

DFMBA

8

DFMBA

추천 시스템을 들은 이유는 처음에는 ML을 통한 최적 채권 만기 추천을 생각했는데요

아무래도 ‘최적’이라는 개념이 너무 애매해서… 금리, 상대가치, 모멘텀, 크레딧 퀄리티 등 또 이게 추천이 된다고 시장에서 구할 수 있는것도 아니다보니

과제는 아무래도 이걸로 안하고 제가 좋아하는걸로 했습니다.

오른쪽 아래 보시면 제 지도 어플인데요.. 저는 맛집 찾아다니는걸 좋아해서 보시듯이 맛집 유니버스를 만들정도입니다.

사람들이랑 밥을 먹다보니 음식점 추천하는게 어려웠고 그러다보니 금번 과제 역시 일보다는 취미에 관련된…

생각했던 식당추천이랑 – 음식추천은 좀 많이 다르더라구요..

아무튼 기말 시작해보겠습니다

10 of 24

인공지능과 추천시스템

기말 발표: 식사 메뉴 추천시스템에 대한 overview

DFMBA 20239037 김기태

9

DFMBA

11 of 24

인공지능과 추천시스템

기말 발표: 식사 메뉴 추천시스템에 대한 overview

DFMBA 20239037 김기태

10

DFMBA

12 of 24

Food Recommender system?

개인화된 음식 추천
취향, 영양, 제한사항 등 고려
정보획득 -> 알고리즘 -> 추천 -> 피드백의 과정

음식 추천 시스템의 흐름

가. 추천 시스템의 종류

1. 개인

11

MIDAS ASSET

11

DFMBA

11

DFMBA

식사 추천 시스템이란 개인의 취향, 영양상태 등을 고려하여 적절한 식단을 추천해 주는 시스템입니다.

아래 표를 보시면 추천 시스템의 개략적인 흐름도가 나와있습니다.

전체적으로 저희가 배웠던 추천 시스템의 흐름대로 나타나고 있는데요

여러 방식으로 정보를 획득하고 이를 알고리즘으로 학습한 후 적절한 식사를 추천합니다. 그리고 유저의 피드백을 다시 정보에 반영하는 과정을 반복합니다.

발표 순서는 우선 일반적으로 사용되는 추천 시스템 알고리즘을 한번 살펴보고

식사 추천 시스템에서 이 알고리즘이 어떻게 적용되는지를 음식 취향과 영양 두 부분에서 알아보겠습니다.

그리고 식사 추천 시스템의 난점, 식사 추천 시스템은 현실에서 어떻게 이뤄지고 있는지에 대해 살펴보겠습니다.

우선 식사 추천 시스템이 사용하는 기본적인 추천 방식을 알아보겠습니다.

13 of 24

Collaborative Filtering system

나와 비슷한 사람의 음식 선택에 기반
사용자의 취향을 자세히 알 필요가 없음
다양한 음식을 추천 가능

Content-based system

나의 프로필에 기반하여 음식을 추천
유저 기반이 적어도 활용할 수 있음
프로필 정보를 얻는 것이 관건

Collaborative Filtering system 개념도

Content-Based system 개념도

가. 추천 시스템의 종류

1. 개인

12

MIDAS ASSET

12

DFMBA

12

DFMBA

식사 추천 시스템 역시 저희가 수업시간에 배웠던 Collaborative Filtering과 Content-Based를 사용합니다.

대부분 아실테지만 다시 말씀드리면 Collaborative Filtering은 나와 비슷한 사람이 어떤 음식을 시켰는지, 내가 과거에 어떻게 행동했는지를 기반으로 음식을 추천합니다.

예를 들어 내가 피자를 주문했거나 피자 검색을 많이 했다거나 주위 사람들이 피자를 많이 먹는다거나 하면 제게 피자가 추천되는 방식입니다.

반면 Content-based는 초기에 형성된 프로필을 기반으로 음식을 추천합니다.

가입 시 어떤 음식을 좋아하는지 물을 수도 있고 가입시 입력한 정보로 추정할 수도 있습니다.

여러 방법으로 유저의 취향을 알아낸 후 이에 맞는 음식을 추천해서 정확하다는 장점이 있지만 추천한 음식을 계속 추천하게 되는 단점이 있습니다.

음식에서는 특히 추천 메뉴를 계속해서 바꿔주는것이 필요하기 때문에 이 단점은 다소 치명적입니다.

14 of 24

Knowledge-based system

사용자의 요구 사항을 명시적으로 수집 후 과거 유사 사례를 기반으로 추천
음식 추천 시스템에서 활발히 사용되는 알고리즘
이용자가 많이 없는 서비스에서 활용 가능 (Cold-Start 대응)

Knowledge-Based 개념도

가. 추천 시스템의 종류

1. 개인

13

MIDAS ASSET

13

DFMBA

13

DFMBA

15 of 24

Knowledge-based system 실제 활용 사례

키워드, 필터, 컨셉을 적극 활용
어플리케이션 자체가 컨셉이 있는 경우 KBS 적용이 더 쉬움
Cold Start 문제를 해결함과 동시에 고객 상호작용을 늘리는 단초가 됨

예시: 다이닝코드 – 키워드 입력으로 고객 요구사항 획득

예시: 맛집지도 - 컨셉의 적극 활용: 방송에 나온 맛집 등

가. 추천 시스템의 종류

1. 개인

14

MIDAS ASSET

14

DFMBA

14

DFMBA

KBS에 대해 예를 몇 개 들어보겠습니다

다이닝코드라는 어플의 경우 엄밀히 말해 음식추천은 아니고 식당 추천이긴 하지만 KBS를 활용하는 사례라고 볼 수 있는데요

추천키워드를 입력하여 음식을 추천합니다. 이렇게 되면 추천 대상 식당을 제한할 수 있고 다양한 사람들이 이 키워드로 제한된 그룹 내에서 선택한 식당을 바탕으로 다른 고객에게 다양하게 추천을 할 수 있습니다.

맛집지도라는 어플에서도 방송에 나온 맛집과 같이 검색 조건을 받고 추천 대상을 제한하고 그 가운데서 사람들의 다양한 선택을 이용하는 선택을 합니다.

이 경우 User Profile 정보가 조금 부족하더라도 적절한 추천이 가능케 하는 효과가 있습니다.

이건 또 어플 자체에서

다이어트앱의 경우 유저 목적) 다이어트, 영양균형으로 제한되어 추천을 좀 더 용이하게 할 수 있겠죠

아무튼 지금까지는 다른 추천 시스템과 공유하는 부분이었다면

이제부터는 음식 추천 알고리즘 특유의 알고리즘을 알아보겠습니다.

음식 추천 알고리즘의 특별한 점은 취향과 건강을 동시에 고려하여야 한다는 건데요

우선 사람들의 취향에 맞는 음식을 어떻게 추천할지에 대한 아이디어를 살펴보겠습니다.

16 of 24

취향 기반 추천 알고리즘

레시피를 재료로 분해, 이전에 음식에 부여한 평점을 기반으로 각 재료의 평점 부여
새로운 음식들의 레시피를 재료로 분해, 해당 재료의 평점을 바탕으로 추천 음식 결정
태그와 평점으로부터 고객 취향을 장기간에 걸쳐 추출

재료 조합에 따른 완성 음식 추천

취향 추출하기: Matrix Factorization

1. 취향 기반

나. 추천 알고리즘

15

MIDAS ASSET

15

DFMBA

15

DFMBA

전통적인 방식의 경우 과거 좋은 평점을 얻었던 음식을 재료로 분해해서 해당 재료가 들어간 다른 음식을 추천하는 방식이 있었습니다.

이 과정에서 평점 행렬 분해를 통해 각 재료의 feature 그러니까 재료의 향이나 맛에 대한 선호도를 추출해서 좋아하는 재료를 바탕으로 한 새로운 음식에 대한 선호도를 추정하는 방식을 썼습니다.

이 아이디어는 좋았는데 문제점은 있었습니다.

그건 바로 좋아하는 재료가 들어간다고 반드시 취향에 맞는 것은 아니라는 것입니다.

예를들어 제육볶음을 좋아했다고 친다면 이는 고추가루, 고기, 양파 등으로 분해가 될텐데

이와 비슷한 재료로 만들어진 돼지국밥은 사실 호불호가 많이 갈리고 좀 거리가 먼 음식이잖아요?

17 of 24

취향 기반 추천 알고리즘

선호도가 높은 재료만 섞는다면 맛있는 음식이 나올까?
재료를 Input으로하여 이를 포함하는 완성된 음식을 추천하는 방법이 주목받고 있음
고객을 컨셉대로 나누는 방법도 제시됨: 채식주의자, 맵찔이, 고기러버 등

Graph-based 알고리즘

재료 간 거리

1. 취향 기반

나. 추천 알고리즘

16

MIDAS ASSET

16

DFMBA

16

DFMBA

18 of 24

건강 기반 추천 알고리즘

건강 상태와 대사량, 운동량 정보가 필요. User Profile 작성이 다소 까다로움
나이와 같은 프로필에서 간이 데이터 추출
다이어트 어플리케이션들이 주로 사용. 칼로리, 탄단지 비율 관점에서 접근
취향 기반과 조합하기도 함

프로필로부터 대사량 추출

유저별 Constraints 설정

2. 건강 기반

나. 추천 알고리즘

17

MIDAS ASSET

17

DFMBA

17

DFMBA

지금까지 살펴본 것은 고객의 취향을 추천에 반영하는 것이엇고

음식 추천 알고리즘의 두번째 특징은 건강을 고려한다는 것입니다.

물론 고려하지 않는 시스템도 가정할 수 있지만 오히려 요새는 음식추천 어플이 이쪽 위주로 가는 추세입니다.

사실 앞서 보았던 취향에 기반한 음식 추천 알고리즘은 중기적으로 사람 취향이 일정하다는 가정을 해야 하는데 음식 취향은 상대적으로 빠르게 변해서 다소 힘든 점이 있습ㄴ디ㅏ.

그런데 건강 기반은 초기 유저 정보만 잘 획득하면 일관적으로 추천을 할 수가 있습니다. 여기에 앞서 사용한 취향 기반을 조금 섞는 식으로 말이죠

이 과정에서의 난점은 각 고객의 건강상태를 조사하기가 다소 힘들다는 점입니다.

나중에 살펴보겠지만 이를 해결하기 위해 처음에 고객 진입장벽을 올리는 것을 감수하고 매우 상세하게 묻는 경우도 있고

19 of 24

피드백

Implicit Feedback은 별점, 리뷰 작성 등을 통해 직접적으로 선호정보 획득.

-> 정확하고 직관적이나 데이터 획득이 어렵고 편향이 있을 수 있음

-> ex) NLP를 통한 감성 분석

Explicit Feedback은 조회수, 주문수, 머문 시간 등을 활용하여 간접적으로 선호정보 획득 후 반영

-> 다량의 데이터 획득이 쉬우나 해석에 주의

실무에서는 이를 조합하여 활용

-> 명시적 피드백 기반 + 암시적 피드백 조정

-> 피드백 결과를 통한 루프 학습

Feedback 종류 개념도

다. 피드백 과정

18

MIDAS ASSET

18

DFMBA

18

DFMBA

아무튼 이렇게 추천이 끝나면 피드백 과정이 필요합니다.

간단하게 2가지로 말씀드리면 명시적/암묵적 피드백이 있는데요 명시적은 리뷰나 별점으로 정보를 획득합니다. NLP를 통해 리뷰 감정 분석하는 방법 역시 이에 들어갑니다.

이는 정확하고 직관적이지만 편향이 있을 수 있는 단점이 있습니다.

리뷰를 쓰는 사람은 다소 극단적인 경우가 많아서 왜곡이 조금 발생합니다. 뭔가 크게 만족하거 불만족한사람ㄴ만 리뷰를 쓰는 경향이 있죠

암묵적 피드백은 조회수나 주문수, 머문 시간 등을 바탕으로 음식에 대한 평가정보를 가져오는거인데요

아무래도 다량의 데이터를 얻을 수 있으나 다소 불확실하고 해석에 유의하여야 합니다.

둘 다 장단점이 있다보니 실무에서는 이 두 가지 방식을 종종 결합하여 사용합니다. 예를 들어, 사용자가 명시적으로 평가한 음식을 중심으로 추천을 하되, 암시적 피드백을 통해 사용자의 일반적인 행동 패턴을 분석하여 추천을 조정할 수 있습니다. 또한, 암시적 피드백은 대규모 데이터를 제공하기 때문에, 초기 사용자 프로필을 구축하고 시스템의 범용성을 향상시키는 데 유용합니다. 명시적 피드백은 사용자의 구체적인 선호도를 파악하는 데 강점이 있어, 유저 프로필 업데이트에 사용할 수 있습니다.

20 of 24

Cold-Start Problem

초기 유저들이 적절한 추천을 받지 못하는 문제
예시: 다이어트의신

Content-Based system이지만 처음 가입 시 다량의 정보 요구
일정부분 유입을 희생하여 Cold Start 문제 해결

예시: Noom

Knowledge-Based system을 활용하기 위해 보유 재료를 먼저 입력
‘냉장고를 부탁해’ 방식과 동일
계산량의 극적인 감소

라. 음식 추천 알고리즘의 한계

19

MIDAS ASSET

19

DFMBA

19

DFMBA

다음으로는 음식 추천 시스템을 만들때 마주치는 문제점들을 알아보겠습니다.

우선 유명한 Cold-Start Problem이 있는데요 Content-based인 경우 유저 프로필 정보가 없거나 해서 나타나는 문제가 많습니다.

여러 어플들은 이를 여러 방식으로 해결하는데요.. 우선 Content-based를 유지하는 대신 최대한의 고객 프로필을 가져오는 방식이 있습니다.

다이어트의 신은 가입시 최대한의 정보를 요구합니다.

이 경우 다소 진입장벽을 늘리지만 이 문제를 해결할 ㅅ ㅜ있게 합니다.

아무래도 운동이라는 명확한 목적이 있다보니 이런 방ㅅ기이 가능한거 같네요

Knowledge-based로 이를 해결하는 방법도 있는데요

Noom의 경우 보유한 재료를 먼저 입력해서 음식을 추천합니다.

이는 예전 예능 냉장고를 부탁해 랑 비슷한 방식인데요… 이를 통해 고객 프로필 정보가 없어도 주어진 재료 하에서 음식을 추천하기가 상대적으로 수월해집니다.

21 of 24

Diversity Problem

특히 Contents-based인 경우 같은 음식만 계속 나올 수 있음
따라서 일정부분 최적화를 하되 새로운 메뉴에 대한 ‘탐험’도 중요
1. Diverse Category Mixing

다양한 카테고리의 음식을 혼합하여 추천

2. Hybrid Filtering
3. Exploration-Exploitation

Exploration의 비중을 확대, 새로운 음식을 추천

4. Clustering / Segmentation

사용자 이외 그룹에 대한 최적 음식을 같이 추천

5. Multi Criteria Recommender System

취향, 건강, 영양 등 다양한 기준 고려

라. 음식 추천 알고리즘의 한계

이외에 지속해서 변화하는 취향 등

->취향기반 음식 추천이 흥행하지 못하는 이유

20

MIDAS ASSET

20

DFMBA

20

DFMBA

�특히 음식 추천 시스템에서 다양성을 늘리는 것은 중요한 과제입니다.

아무리 맛있는 음식이라도 2-3번만 먹으면 질리니까 최대한 다양한 음식을 추천해줘야 하죠

그 방식으로는 이런 것들이 있습니다.

서로 다른 카테고리의 아이템 혼합 (Diverse Category Mixing)은 추천 시스템이 같은 카테고리의 음식만 추천하는 것을 피하고, 다양한 카테고리의 음식을 혼합하여 추천합니다. 예를 들어, 이탈리안, 아시아 요리, 패스트 푸드 등 다양한 유형의 음식을 균형 있게 제공합니다.
콘텐츠 기반 필터링과 협업 필터링의 혼합 (Hybrid Filtering)는 단순히 CB CF의 혼합입니다. CF 비중이 커지면 다소 해결되긴 하지만 완벽한 해결법은 아니죠
탐험과 활용의 균형 (Exploration-Exploitation Trade-Off): 이 가장 주요한 방법인데요. Multi-Bandit문제처럼 최적화-랜덤을 적절히 섞어줍니다. 그래서 완전히 새로운 음식들을 꾸준히 추천하게 만들죠
클러스터링과 세분화 (Clustering and Segmentation): 사용자를 여러 클러스터로 나누고 각 클러스터에 맞는 다양한 추천을 제공함으로써, 추천의 다양성을 증가시킬 수 있습니다. 이 방법은 사용자가 속하지 않은 클러스터의 아이템도 추천함으로써 새로운 취향을 발견할 기회를 제공합니다.
멀티-크리테리아 추천 시스템 (Multi-Criteria Recommendation Systems): 단순히 맛이나 가격에만 초점을 맞추는 것이 아니라, 건강, 영양, 지속 가능성 등 여러 기준을 고려하여 다양한 측면에서 균형 잡힌 추천을 제공합니다.

22 of 24

왜 식당 추천 앱은 많은데 음식 추천 앱은 없을까??

Yelp, Zomato, 망고플레이트, 뽈레 등 대형 식당 추천 앱은 많지만 음식 추천 앱은 일부 다이어트 앱으로 한정
Personalize가 더 어려움: 취향, 식사 주기, 영양 관련 정보가 식당 추천보다 더 필요
사용자의 요구가 더 다양: 사용자의 이용 목적이 맛, 건강 등 차이가 크게 남
수익 모델이 불분명

온전한 리뷰사이트로 신규 유입이 많지만 광고수입 외 특별한 수입모델 탐색이 어려웠음

다른 서비스와 함께 제공해야 장기적으로 유리

이미 데이터가 확보된 배달사업자, 포탈(지도)사업자 등은 유리한 위치
네이버쇼핑의 사례와 같이 주업의 부가가치를 늘리는 방식의 사업모델이 지속 가능할 수 있음

마. 음식 추천 어플리케이션 실제 사례

21

MIDAS ASSET

21

DFMBA

21

DFMBA

그런데 주위에 생각해보면 음식 추천 앱은 정말 다이어트 앱 일부 말고는 없는 걸 알 수 있는데요

아무래도

전문성과 맞춤화의 필요성: 음식 추천은 개인의 맛 선호도, 영양 필요, 건강 상태 등 매우 개인적이고 상세한 정보를 기반으로 해야 합니다. 이러한 맞춤화는 개발과 유지 관리에 더 많은 노력과 기술을 요구합니다.
데이터 수집의 어려움: 사용자의 정확한 식사 선호도와 습관을 파악하기 위해서는 상세한 데이터 수집이 필요합니다. 이는 프라이버시 문제와 데이터 수집의 어려움으로 이어질 수 있습니다.
다양한 사용자 요구: 사용자마다 영양 요구, 건강 상태, 맛 선호도 등이 매우 다양하여, 모든 사용자에게 만족할 만한 추천을 제공하기가 쉽지 않습니다.

그럼에도 불구하고, 일부 음식 추천 애플리케이션은 특정 니치 시장에서 주목을 받고 있습니다. 예를 들어, 특정 건강 상태나 영양 필요를 가진 사람들을 위한 앱, 특정 요리 스타일이나 재료에 초점을 맞춘 앱 등이 있습니다. 이러한 앱들은 사용자의 개별 요구에 더 잘 맞춰진 추천을 제공하려고 노력하고 있습니다.

대규모 음식 추천 애플리케이션의 부재는 시장의 작은 크기 뿐만 아니라 기술적, 개인적 요구의 복잡성 때문일 수 있습니다. 하지만 기술의 발전과 데이터 처리 기술의 향상으로 이 분야에서의 혁신과 성장이 기대됩니다.

23 of 24

마. 음식 추천 어플리케이션 실제 사례

음식 추천 알고리즘을 더 잘 활용하려면??

어플 이용 목적을 확실히 정하는 것이 중요

다이어트 앱과 같이 이용 목적이 정해져 있다면 음식 추천의 여러 단점 제거. KBS를 활용하기도 쉬워짐.

다른 서비스와 함께 제공해야 장기적으로 유리

이미 데이터가 확보된 배달사업자, 포탈(지도)사업자 등은 유리한 위치
네이버쇼핑의 사례와 같이 주업의 부가가치를 늘리는 방식의 사업모델이 지속 가능할 수 있음
식당 추천의 경우 음식 추천 알고리즘과 결합 시 더욱 정밀한 추천이 가능

22

MIDAS ASSET

22

DFMBA

22

DFMBA

24 of 24

감사합니다

23

DFMBA

23

DFMBA