여행사는 사용자에게 다음 공항 목적지를 추천하는 ML 모델을 원합니다. 사용자 위치, 최근 검색 기록, 2,000개의 가능한 공항에 대한 수백만 개의 기록을 가지고 있습니다. 데이터에는 범주형 특징과 고차원 희소 행렬이 될 것으로 예상되는 타겟이 포함됩니다. 팀은 Amazon SageMaker 내장 알고리즘을 사용해야 하며 원-핫 인코딩된 범주형 특징을 가지고 있습니다. 어떤 내장 알고리즘을 사용해야 할까요?

Factorization Machines(FM)는 고차원 희소 데이터셋에서 추천 시스템을 구축하는 데 효과적입니다. 특히 사용자 위치, 검색 기록과 같은 범주형 특징이 원-핫 인코딩되어 희소 행렬을 형성할 때 적합합니다. FM은 이러한 희소성 속에서 특징 간의 상호작용을 모델링하여 정확한 추천을 제공합니다. CatBoost는 주로 분류 및 회귀 문제에 사용되며, DeepAR은 시계열 예측에 특화되어 있습니다. k-means는 클러스터링 알고리즘으로, 직접적인 추천보다는 데이터 탐색에 더 적합합니다.