추천 시스템이란 무엇입니까?

Netflix가 프로그램을 제안하고 "어떻게 알았지?"라고 생각하는 경우가 있습니다. 아니면 Amazon이 당신에게 이상하게 완벽한 제품을 보여줄 때? 그것이 바로 추천 시스템입니다. 이는 기본적으로 귀하(및 귀하와 같은 사람들)가 과거에 수행한 작업을 살펴보고 이를 사용하여 귀하가 다음에 원하는 것이 무엇인지 추측하는 소프트웨어입니다.

좋은 소식이요? Netflix를 구축하기 위해 Netflix가 될 필요는 없습니다. 앱, 블로그 또는 온라인 상점을 구축하는 1인 개발자인 경우 권장 사항을 추가하여 사용자가 계속해서 돌아올 수 있도록 할 수 있습니다. 따라할 수 있는 실제 예를 통해 이러한 것들이 실제로 어떻게 작동하는지 일반 영어로 분석해 보겠습니다.

두 가지 주요 접근 방식(실제 사례 포함)

모든 추천 시스템에는 실제로 두 가지 핵심 아이디어가 있습니다. 일단 이것을 이해하고 나면 다른 모든 것은 단지 주제의 변형일 뿐입니다.

1. 협업 필터링: "당신 같은 사람들도 좋아요를 표시했습니다..."

이 접근 방식은 유사한 사용자가 수행한 작업을 살펴봅니다. 상관없어요무엇내용은 실제로 그렇습니다. 단지 행동의 패턴을 알아차릴 뿐입니다.

실제 사례:서평 앱을 구축한다고 가정해 보겠습니다. 사용자 A는 책 #1, #2, #3을 좋아했습니다. 사용자 B는 1권과 2권을 좋아했지만 아직 3권은 보지 못했습니다. 협업 필터링에서는 "사용자 B는 사용자 A와 취향이 같기 때문에 3권도 좋아할 것입니다."라고 말합니다.

이것이 바로 Spotify의 "Discover Weekly" 재생 목록이 작동하는 방식입니다. 귀하와 비슷한 청취 습관을 가진 사용자를 찾은 다음, 귀하가 아직 들어보지 못한 좋아하는 노래를 추천합니다.

2. 콘텐츠 기반 필터링: "이 특정 항목이 마음에 들었기 때문에..."

이 접근 방식은 사용자가 상호 작용한 항목의 실제 특성을 살펴본 다음 유사한 특성을 가진 더 많은 항목을 찾습니다.

실제 사례:레시피 앱을 구축 중입니다. 사용자는 30분도 채 걸리지 않는 채식 파스타 레시피를 계속 저장합니다. 콘텐츠 기반 필터링은 다른 사용자가 아직 시도해 본 적이 없더라도 다른 빠른 채식 파스타 요리를 추천합니다.성분과 속성이 사용자가 분명히 선호하는 것과 일치합니다.

YouTube의 '관련 동영상' 사이드바는 이런 방식으로 작동합니다. 시청 중인 콘텐츠의 태그, 제목, 카테고리를 살펴본 다음 유사한 속성을 가진 동영상을 찾습니다.

두 가지 유형의 추천 시스템

👥

협업 필터링
"당신 같은 사용자도 즐겼습니다..." (스포티파이, 아마존)

🔍

콘텐츠 기반 필터링
"이 아이템은 비슷한 특성을 가지고 있기 때문에..."(유튜브,넷플릭스)

🧪

하이브리드(둘 모두의 장점)
더 나은 결과를 위해 두 가지를 결합합니다(대부분의 대형 앱이 수행하는 작업).

📈

인기 기반(가장 쉬운 시작)
"이번 주 가장 인기 있는 항목" - 사용자 데이터가 필요하지 않습니다.

⏱️

실시간 업데이트
사용자가 앱과 상호작용할 때 즉시 적응하세요.

임베딩은 어떻습니까? (생각보다 간단합니다)

추천 시스템 튜토리얼에서 "임베딩"이라는 용어를 많이 듣게 될 것입니다. 위협적으로 들리지만 아이디어는 매우 간단합니다.

다음과 같이 생각해보세요. 모든 사용자와 앱의 모든 항목이 거대한 지도에 배치된다고 상상해 보세요. 비슷한 것을 좋아하는 사용자는 지도에서 서로 가까워집니다. 유사한 항목도 서로 가까워집니다. "임베딩"은 해당 지도에 있는 사용자 또는 항목의 좌표(위치)입니다.

실제 사례:음악 앱에서는 재즈, 블루스, 소울을 듣는 사용자가 지도에서 해당 장르 근처에 배치됩니다. 메탈과 펑크를 듣는 사용자는 전혀 다른 영역에 있을 것이다. 새로운 재즈 앨범이 나오면 시스템은 지도에서 재즈에 '가까운' 사용자가 누구인지 확인하고 추천해 준다.

혼자 앱을 구축하는 경우 이것이 중요한 이유

1인 개발자라면 간단한 추천 시스템을 추가하는 것만으로도 사용자의 참여를 유지하는 데 큰 변화를 가져올 수 있습니다. 이유는 다음과 같습니다.

사용자는 더 오래 머무릅니다.사람들이 개인적으로 선택한 콘텐츠를 보면 앱에서 더 많은 시간을 보냅니다. TikTok은 당신이 무엇을 하고 있는지 정확하게 보여주기 때문에 어떻게 계속 스크롤하는지 생각해 보세요.
사용자는 귀하의 콘텐츠를 더 많이 발견합니다.블로그에 200개의 게시물이 있는 경우 대부분의 방문자는 최신 게시물 몇 개만 볼 수 있습니다. '좋아요' 섹션에는 각 독자와 여전히 관련성이 있는 이전 게시물이 표시될 수 있습니다.
사용자가 더 자주 돌아옵니다.개인화된 이메일 요약("귀하의 관심분야에 따른 새로운 내용은 다음과 같습니다")은 사람들에게 다시 방문할 이유를 제공합니다. 이것이 바로 Medium이 기사를 계속 클릭하는 방식입니다.

실제로 구축하는 방법(단계별)

당신을 압도하지 않을 실용적인 로드맵은 다음과 같습니다.

사용자가 무엇을 하는지 추적하는 것부터 시작하세요.무엇이든 추천하려면 먼저 데이터가 필요합니다. 클릭, 좋아요, 저장, 페이지에 소요된 시간, 구매 등 앱에 적합한 모든 것을 추적하세요. 다음과 같은 간단한 데이터베이스 테이블도사용자 ID | 아이템_ID | 액션 | 타임스탬프시작하기에 충분합니다.
가장 간단한 접근 방식부터 시작하세요.바로 머신러닝으로 넘어가지 마세요. "가장 인기 있는 품목" 또는 "X를 구매한 사용자는 Y도 구매했습니다."로 시작하세요. 소규모 앱의 경우 몇 가지 SQL 쿼리를 사용하면 놀라울 정도로 좋은 추천을 얻을 수 있습니다.
준비가 되면 도서관으로 졸업하세요.파이썬의깜짝 도서관협업 필터링을 매우 간단하게 만듭니다. 약 20줄의 코드로 작동하는 추천 모델을 가질 수 있습니다.TensorFlow 추천자더 깊이 들어가고 싶다면 좋습니다.
신선하게 유지하세요.추천은 빨리 오래되었습니다. 새 데이터로 모델을 재교육하려면 주간 작업을 설정하세요. 1월의 사용자 취향이 3월에는 완전히 달라질 수도 있습니다.

직접 구축하고 싶지 않다면 관리형 서비스가 무거운 작업을 처리할 수 있습니다.AWS 개인화API를 통해 데이터를 입력하고 추천을 다시 받을 수 있습니다.구글의 추천 AI같은 일을합니다. 두 가지 모두 소규모 앱에 충분한 무료 계층을 제공합니다.

첫 번째 추천 시스템 구축

사용자 작업 추적

클릭수, 좋아요, 구매 및 소요 시간을 기록합니다.

간단하게 시작하세요

기본 SQL 쿼리에서 "가장 인기 있는" 또는 "또한 구매한" 항목

라이브러리 추가

Python의 Surprise 또는 TensorFlow 추천자 사용

매주 재교육

사용자 취향이 변함에 따라 추천을 최신 상태로 유지하세요

무엇이 효과가 있는지 측정

추천에 대한 클릭률 추적

주요 시사점

데이터 과학자가 될 필요는 없습니다.간단한 "X를 좋아한 사람들은 Y도 좋아했습니다"라는 쿼리는 작은 앱에 놀라운 효과를 줄 수 있습니다.
당신이 가지고 있는 것부터 시작하세요.기본적인 클릭 데이터만으로도 유용한 추천을 제공하기에 충분합니다.
무거운 작업을 수행하는 무료 도구가 있습니다.Surprise와 같은 라이브러리와 AWS Personalize와 같은 관리형 서비스에는 1인 개발자에게 완벽한 무료 티어가 있습니다.
신선하게 유지하세요.모델을 정기적으로 다시 훈련시키세요. 오래된 추천은 추천이 없는 것보다 나쁩니다.
영향을 측정합니다.사용자가 실제로 추천을 클릭하는지 추적합니다. 그렇지 않다면 접근 방식을 조정하세요.

결론

추천 시스템은 대규모 엔지니어링 팀을 보유한 거대 기술 기업만을 위한 것이 아닙니다. 1인 개발자라면 "이번 주 가장 인기 있는 것"처럼 간단한 것부터 시작하여 점차적으로 실제 사용자 데이터를 기반으로 한 맞춤형 제안까지 진행할 수 있습니다. 도구는 무료이고, 라이브러리는 초보자에게 친숙하며, 사용자 참여에 미치는 영향은 엄청날 수 있습니다.

핵심은 바로 시작하는 것입니다. 사용자 행동을 추적하고 간단한 접근 방식을 시도한 후 거기에서 반복하십시오. 사용자는 차이점을 알게 될 것입니다.

자세한 내용은 다음을 확인하세요.Google 추천 시스템 가이드, AWS 개인화, 그리고깜짝 라이브러리 문서.