#recommender-system
노트 4개
AI & Data
추천 시스템사용자가 좋아할 아이템을 예측해 골라 주는 추천 시스템을 묶은 주제다. 추천이 나오는 세 자리, 협업·콘텐츠 기반 필터링의 기초, 후보 생성 → 랭킹의 딥러닝 구조, 밴딧과 실시간 피드백·A/B 테스트를 하위 노트로 나누고, 실서비스에서 반복되는 설계 원칙을 정리했다.
AI & Data › Recommender System
딥러닝 추천 시스템: 후보 생성과 랭킹아이템이 수십만~수억 개일 때 쓰는 딥러닝 추천의 2단계 구조(후보 생성 → 랭킹)를 정리했다. 최근 본 아이템으로 다음 아이템을 맞히는 학습, word2vec을 아이템 시퀀스에 적용한 Item2Vec, 맥락을 조건으로 넣는 법, 사용자 벡터와 근사 최근접 이웃 검색으로 바꾸는 서빙, 학습·배포 파이프라인, RNN·트랜스포머 순차 추천, 여러 서비스의 이력과 이미지·텍스트를 합치는 크로스오버·멀티모달 추천, 장기 가치와 파운데이션 추천 모델로 가는 흐름을 다룬다.
AI & Data › Recommender System
실시간 추천과 실험: 밴딧, 피드백 지연, A/B 테스트뉴스처럼 수명이 짧은 콘텐츠를 사용자 반응에 맞춰 바로바로 추천하는 방법을 정리했다. ε-greedy·톰슨 샘플링·UCB로 탐색과 활용을 오가는 멀티암드 밴딧, 사용자 군집·아이템 특징과 밴딧을 묶은 타기팅, 뉴스용 보정(시간 감쇠·위치 편향·중복 회피), 클릭률의 한계와 열독률, 피드백 지연이 성능에 주는 영향, 실시간 파이프라인 구조, 노출 편향을 걷어 낸 인기 콘텐츠, 버킷 A/B 테스트, 여론에 영향을 주는 추천의 투명성과 사용자 조절권을 다룬다.
AI & Data › Recommender System
추천 시스템 기초: 협업 필터링과 콘텐츠 기반 필터링추천 시스템의 두 기둥인 협업 필터링(행동 데이터)과 콘텐츠 기반 필터링(아이템 내용)을 정리했다. 명시적·암묵적 피드백, 베이스라인 모형과 이웃 기반 CF(유사도·KNN 가중 평균), 편향을 더한 행렬 분해(ALS)와 디노이징 오토인코더, 아이템·태그 공동 임베딩, 오디오·텍스트·이미지 임베딩, 둘을 섞는 앙상블과 폴백, 콜드 스타트·희소성·인기 편향, 오프라인·온라인 평가 지표, 알고리즘보다 추천 자리와 비용을 먼저 정하는 원칙을 다룬다.