Amazon Personalize[2]는 머신러닝(Machine Learning) 기반의 학습 모델을 개발하기 위한 일반화된 서비스이다. 학습 모델을 개발하기 위해 데이터 그룹 생성, 학습 데이터 입력, 학습 모델 생성, 학습 모델 평가, 배포, 추천 서비스 단계로 구성된다. 학습 데이터는 기본적으로 3개의 데이터인 User-Item Interaction, User, Item으로 구성된다. 각각의 데이터는 필수적인 필드와 선택적으로 필드를 추가하여 구성한다[3,4].

Amazon Personalize는 학습 모델을 생성하기 위해 자체적인 학습 알고리즘을 제공한다. 제공되는 알고리즘으로는 DeepFM(Deep Factorization Machines), FFNN(Feed-Forward Neural Network), HRNN(Hierarchical Recurrent Neural Network), PersonalizePeranking, Popularity-baseline, SIMS(The Item-to-item similarities)이 있으며, AutoML 기능을 통해 자동으로 알고리즘을 선택할 수 있다. Amazon Personalize는 생성된 학습 모델의 ARN(Amazon Resource Name)과 Customized Personalization API를 통해 외부 서비스에 연동한다.

본 연구는 Amazon Personalize 와 다르게 추천 개발의 Open API를 제공하여 독립적으로 추천 모델을 개발하거나 추천 개발 도구를 개발할 수 있는 기반을 제공할 수 있을 것이다.

Microsoft의 Azure ML[5]은 학습 모델을 개발하기 위한 클라우드 기반의 머신러닝 서비스이다. 학습 모델을 개발하기 위해 학습 모델 생성, 모델 패키지, 모델 검증, 배포 단계로 구성된다. Azure ML은 학습 모델을 시각적으로 개발할 수 있도록 실험 도구를 제공한다. Azure ML은 실험 도구를 이용하여 다양한 학습 알고리즘을 적용할 수 있으며 생성된 학습 모델에 대해 API Key를 제공한다. 이렇게 생성된 API Key와 RESTful API를 통해 외부 서비스와 연동할 수 있다. Azure ML와 연동되는 외부 서비스는 Azure ML의 학습 모델을 통해 추천 서비스를 제공하므로 종속되어 운영된다. 이에 반해 본 연구는 독립적으로 운영되거나 개발될 수 있도록 Open API를 제공하여 독립 플랫폼을 제공할 수 있는 기반을 제공한다.

연구 [6]은 예술적 감성의 문장이나 그림의 디지털 콘텐츠인 캘리콘텐츠(CalliContents, Calligraphy Contents)의 양방향 추천 서비스를 제공하기 위한 오픈 플랫폼의 아키텍쳐를 제안한다. 3rd 파티 캘리 콘텐츠 서비스 플랫폼의 기반을 제공하는 것을 목적으로 Open API 형태로 외부 서비스와 연동할 수 있는 기능과 도구를 지원한다. 제공되는 도구로는 웹 개발자 도구, 웹 콘솔, Open API, 캘리콘텐츠 DB, 그리고 실시간 캘리콘텐츠 감성 추천 엔진으로 구성된다. 감성 추천 엔진은 사용자에 의해 요구하는 캘리콘텐츠 제작 명세를 기반으로 추천 정보를 제공한다. 추천 알고리즘은 행위 기반 협업 필터링을 기반으로 추천된다.

연구 [6]은 캘리콘텐츠를 추천하기 위한 시스템으로 외부 시스템과의 연동을 위해 Open API를 제공하므로 확장성을 제공하고 있다. 본 연구에서 Open API를 제공하여 오픈 플랫폼으로서의 확장성을 제공하는 측면에서 유사하지만, 학습 데이터에 따른 다양한 학습 알고리즘을 적용하기 위한 방안에서는 한계를 보인다.

연구 [7]은 머신러닝 기반으로 사용자의 소비 패턴을 분석하여 금용상품을 추천하기 위한 플랫폼을 제안한다. 사용자의 카드 사용 내역을 수집하여 학습한 후 적절한 금융상품을 추천한다. 학습을 위해 사용되는 모델은 MLP와 LSTM 두가지를 사용한다. MLP(MultiLayer Perceptron) 모델은 1년, 3개월, 1개월 단위로 수집된 소비 내역 데이터를 학습하여 예측 모델을 생성한다. LSTM 모델은 매달 소비 내역 데이터를 학습하여 다음달의 소비 내역을 예측한다. MLP와 LSTM 모델의 예측값을 기반으로 최종 예측 패턴을 도출한다.

연구 [7]은 사용자의 금융 사용 내역을 학습하여 금용상품을 추천을 하기 위한 추천 플랫폼으로서 본 연구에서 제안한 추천 모델 개발 플랫폼과 비교하여 개발의 유연성이 제한적이다.

추천 모델 개발 플랫폼을 위한 오픈 아키텍쳐는 <그림 1>과 같다.

추천 모델 개발 플랫폼 오픈 아키텍쳐의 계층은 추천 자원(Recommendation Resource) 계층, 추천 엔진(Recommendation Engine) 계층, 그리고 추천 Open API(Recommendation Open API) 계층으로 구성된다.

추천 엔진 계층의 추천 모델 생성 엔진(Recommendation Model Generation Engine)과 커스터마이제이션 서비스(Customization Service)을 기반으로 추천 모델(Recommendation Model)이 생성되며, 검증 엔진(Verification Engine)은 생성된 추천 모델을 기반으로 모델의 정확성을 검증한다. 추천 모델은 운영 시점에 서비스될 수 있도록 데이터베이스에 저장된다.

추천 엔진 계층에서 제공된 추천 모델 생성 및 검증은 추천 모델 개발 플랫폼을 위한 Open API 형태로 제공될 수 있다. 추천 Open API 계층에서는 추천 모델 개발 Open API와 검증 Open API를 제공하며 추천 서비스에서 이용될 수 있는 추천 Open API를 제공한다.

<그림 2>의 흐름 아키텍쳐에서와 같이 추천 모델 생성 엔진은 커스터마이제이션 서비스를 통해 학습 알고리즘을 변경하여 추천 모델 개발 Open API의 개발 플랫폼 서비스로 제공한다. 검증 엔진 또한 검증 Open API의 모델 검증 서비스로 제공한다. 선택된 학습 알고리즘에 의해 학습된 추천 모델은 데이터베이스에 관리되며 추천 서비스에 제공된다.

학습 알고리즘을 선택하기 위한 커스터마이제이션 서비스의 구조는 <그림 3>과 같다. 거래 데이터, 사용자 데이터, 상품 데이터를 기반으로 데이터들간의 연관 분석을 통해 학습 알고리즘을 도출한다. 각 데이터의 ID를 기반으로 데이터들 간의 연관 거리(Association Distance)을 분석하여 어떠한 알고리즘이 적절할지를 분석한다. 연관 거리 분석은 데이터들 간의 다중성(Multiplicity)을 기반으로 한다.

데이터 연관 분석 알고리즘은 <그림 4>와 같이 데이터의 타입과 데이터들 간의 다중성을 분석한다. 데이터 타입 분석은 데이터에 시계열을 의미하는 데이터 타입이 포함되어 있는지 분석한다. 년/ 월/일로 구분하는 ISO8601[8] 형식으로 정의되어 있거나, Unix의 Timestamp 형식으로 정의되어 있는지 분석한다. 시계열성이 확인될 경우 해당 필드를 기반으로 학습 알고리즘으로 RNN(Recurrent Neural Network)[9]이나 LSTM(Long Short Term Memory)[10,11]을 사용할 수 있는 가능성이 도출된다.

데이터셋에서 시계열 필드를 제외한 다른 필드를 분석하여 특정 필드가 평점(Rating)의 형태를 지니는지 확인 한다. 평점 데이터를 지닌 필드가 확인되면 협업적 필터링(CF)을 활용할 수 있는 가능성이 생긴다. 이와 같이 시계열성 및 평점 형태의 데이터 분석이 완료된 후에 데이터들 간의 다중성 분석을 수행한다. 전자상거래의 거래 데이터, 사용자 데이터, 상품 데이터를 기반으로 거래 ID는 사용자 ID를 하나 밖에 가질 수 없는 1:1의 관계이므로, 해당 관계가 각 필드에 대해서 도출되지 않는다면 전제 조건인 거래 ID는 한 명의 사용자에게만 대응하는 속성을 위배하므로 어떠한 데이터인지를 파악하기 어려워지므로 종료하게 된다. 그러나, 해당 관계가 도출이 된다면 거래 ID와 사용자 ID를 도출한다. 또한 거래 ID와 사용자 ID에 대한 N:M 관계를 갖는 필드는 상품 ID로 도출된다. 이렇게 도출된 데이터 정보를 통해 학습 알고리즘의 선택의 기반을 제공할 수 있다.

본 장에서는 추천 모델 개발 플랫폼 오픈 아키텍쳐를 기반으로 추천 모델 개발 및 검증을 위한 Open API를 제안한다.

추천 모델 개발을 위한 Open API를 위한 구현 코드는 <그림 5>와 같다. 학습 알고리즘을 입력 변수로 받으며 학습 데이터 파일을 입력으로 학습을 수행하여 추천 모델을 생성한다. 개발자 정보와 프로젝트를 정보는 추천 모델 개발 플랫폼에 프로젝트를 관리하기 위해 입력 받는다.

추천 모델 개발 코드를 기반으로 Open API와 입력 매개변수는 <그림 6>과 같다. 추천 모델 개발 Open API인 ‘http://localhost:8000/api/modeling’ 은 <그림 5>의 Modeling 서비스를 호출한다. 매개변수 model은 학습 알고리즘명을 의미하며 file_name은 학습 데이터 파일명을 의미한다.

모델 검증을 위한 Open API 구현 코드는 <그림 7>과 같다. 추천 모델 개발 Open API에서 개발된 학습 모델을 입력으로 받으며 추천 사용자 ID와 추천 상품 ID를 입력받아 검증을 수행한다. 추천 서비스 또한 검증에서 사용되는 동일한 코드를 사용한다.

모델 검증 개발 코드를 기반으로 모델 검증 Open API와 입력 매개변수는 <그림 8>과 같다.

검증 Open API인 ‘http://localhost:8000/api/validation’은 <그림 7>의 Validation 서비스를 호출한다. 매개변수 model은 학습된 추천 모델을 의미하며 user_id와 item_id는 추천 받고자 하는 사용자 id와 관심 상품 id를 의미한다.