추천 시스템

접근 방식 한눈에 보기

방식	핵심 질문	강점	약점	노트
협업 필터링 (CF)	이걸 좋아한 사람들은 또 뭘 좋아했나	행동 데이터만으로 잘 맞는다	이력이 없는 아이템·사용자(콜드 스타트), 인기 편향	추천 시스템 기초
콘텐츠 기반 필터링 (CBF)	내용이 비슷한 건 뭔가	새 아이템도 바로 추천	행동을 모르니 엉뚱하게 느껴질 수 있다	추천 시스템 기초
딥러닝 2단계 (후보 → 랭킹)	수억 개 중 수백 개를 빨리 추리고, 그 안에서 정밀하게 고른다	다양한 특성, 실시간 서빙	파이프라인·인프라가 무겁다	딥러닝 추천 시스템
밴딧·실시간 피드백	지금 반응이 좋은 걸 바로 더 보여 줄까, 새 걸 시험할까	생명주기가 짧은 콘텐츠(뉴스)에 강하다	피드백 지연, 위치 편향	실시간 추천과 실험

실서비스는 하나만 쓰지 않는다. 사내 추천 플랫폼은 대개 CF·CBF·통계 모델을 여러 개 앙상블하고 그 위에 밴딧과 A/B 실험 플랫폼을 얹는다. 추천은 모델 하나가 아니라 플랫폼이다.

자리와 비용을 먼저 정하고 알고리즘을 고른다. 연관 상품 자리에는 얕은 CF로 충분하고, 수억 개 아이템의 개인화 피드에는 2단계 딥러닝이 필요하다.
CF와 CBF는 거의 항상 같이 쓴다. 신규 아이템은 CBF 특징, 다른 서비스의 이용 이력(크로스오버), 기존 로직 폴백으로 푼다.
수명이 짧은 콘텐츠는 실시간 피드백과 밴딧이 핵심이다. 피드백 속도가 곧 성능이다.
클릭만 최적화하지 않는다. 열독률·체류·대화 시작 같은 깊은 반응과 장기 가치를 목표에 넣는다.
단순한 모델을 먼저 내보내고 A/B 테스트로 매일 고친다. 다른 서비스에서 통한 모델이 여기서도 통한다는 보장은 없다. 데이터와 목표 지표가 다르기 때문이다.
구독·친구 관계 밖의 좋은 콘텐츠를 꺼내는 자리를 따로 둔다. 공개된 콘텐츠라도 「읽을 수 있다」와 「전달된다」는 다르다.
여론에 닿는 추천(뉴스·검색어)에는 투명성과 사용자 조절권이 함께 필요하다.

추천 시스템 기초: 협업 필터링과 콘텐츠 기반 필터링: 명시적·암묵적 피드백, 베이스라인 모형과 이웃 기반 CF, 행렬 분해(ALS)와 오토인코더, 오디오·텍스트·이미지 임베딩, 앙상블과 폴백, 콜드 스타트·희소성·인기 편향, 평가 지표
딥러닝 추천 시스템: 후보 생성과 랭킹: 유튜브식 2단계 구조, 다음 아이템 예측 학습, Item2Vec, 유사 벡터 검색, 학습·서빙 파이프라인, 순차 추천, 크로스오버·멀티모달·맥락 인식 추천, 장기 가치와 파운데이션 추천 모델
실시간 추천과 실험: 밴딧, 피드백 지연, A/B 테스트: ε-greedy·톰슨 샘플링·UCB 밴딧, 사용자 군집과 타기팅, 뉴스 추천의 시간 감쇠·위치 편향, CTR을 넘어 열독률, 실시간 파이프라인 구조, 버킷 실험, 투명성과 사용자 조절권

flowchart LR
  base["기초 (CF·CBF·평가)"]
  dl["딥러닝 2단계 구조"]
  rt["실시간·밴딧·실험"]
  base -->|"규모가 커지고 특성이 많아질 때"| dl
  base -->|"콘텐츠 수명이 짧고 반응이 빨리 변할 때"| rt

텍스트 벡터로 비슷한 영화를 찾는 가장 단순한 콘텐츠 기반 추천은 문자열·문서 유사도에 있다. 학습의 기본 개념은 머신 러닝 기초, 임베딩은 LLM은 무엇을 하고 왜 작동하나를 함께 본다.