데이터 분석 이모저모 ~.~

개인화 추천 알고리즘_Content-Based Filtering

jjangoocrush — Sat, 27 Dec 2025 19:26:05 +0900

좀 늦었쥬 ? ㅎㅎ 늦은 김에 얼른 써볼라고 했는디..

아아니 인프런에서 추천시스템 유료 강의를 들었고, 공부한 내용을 정리해서 포스팅하는 건데 말이쥬 ?

포스팅한 내용들을 다시 읽어보는데 뭔가 이상해서,, 다시 찾아봤는데 강의가 잘못된 내용이었던 거에여 ? 샤갈 ! ㅋ

그래서 제대로된 내용으로 다시 가져옴 ㅋㅋ 후...

Content-Based Filtering은 사용자가 조회하거나 관심있는 아이템과 유사한 컨텐츠를 추천하는 알고리즘이다.

쿠팡에서 단백질 쉐이크를 검색해서 클릭하면 아래 함께 비교하면 좋을 상품이 뜨지 않는가? 그게 이거다.

[그림6] 쿠팡 '함께 비교하면 좋을 상품'

이 알고리즘은 사용자가 선호한 아이템의 속성을 분석하고, 동일하거나 유사한 속성을 가진 다른 아이템을 추천한다.

예를 들어 단백질 쉐이크라면 브랜드, 맛, 단백질 함량, 가격대, 칼로리 와 같은 특징들을 벡터로 변환하여 유사도를 계산한다.

유사도 계산에는 대표적으로 Cosine Similarity, Euclidean Distance 등이 사용된다.

Content-Based Filtering 의 장점은 다음과 같다.

(1) 콜드 스타드 문제 완화

사용자의 데이터가 적어도, 아이템의 특징만 있다면 추천 가능하다

(2) 개인화 수준이 높다

사용자의 취향이 명확하게 반영되므로, 관심이 있을만한 아이템을 정교하게 추천한다

(3) 설명 가능성이 높다

'당신이 초코 단백질 쉐이크를 좋아하기 때문에 비슷한 맛의 제품을 추천합니다' 처럼, 근거 제시가 가능하다

하지만 한계점도 존재한다.

(1) 취향의 다양성 부족

관심있는 아이템과 비슷한 상품만 추천하여 새로운 카테고리 탐색이 어렵다

(2) 아이템 Feature 설계 필요

텍스트, 이미지, 수치형 데이터 등 다양한 속성을 잘 추출해야 성능이 나온다

그럼에도 불구하고 Content-Based Filtering은 전자상거래, OTT, 뉴스, 음악플랫폼에서 기본이 되는 핵심 추천 기법이다.

대규모 사용자 행동데이터가 없어도 구축이 가능하기 때문에 스타트업이나 신규 추천 기능 구현에도 자주 사용된다 !

참고로 현업에서는 Content-based Filtering을 단독으로 쓰기 보다는 Collaborative Filtering과 함께 사용하여 Hybrid 방식으로 많이 쓰인다 !

너무 짧아서 Python 코드와 함께 가져올까 했지만,,

아직 개념 포스팅도 많이 남았기 때문에 다음기회에 !

통계 기반 비개인화 추천 알고리즘

jjangoocrush — Sun, 7 Dec 2025 22:28:46 +0900

추천 알고리즘의 종류에 대해서 살펴보려고 한다.

종류에는 비개인화 추천 알고리즘, 개인화 추천 알고리즘, Hybrid 추천 알고리즘, 딥러닝 알고리즘 등이 있는데,

제일 쉬운(?) 비개인화 추천 알고리즘 먼저 가져왔다.

추천 시스템은 보통 개인의 취향에 맞춰 상품이나 컨텐츠를 추천해주는 알고리즘이라 생각할 수 있지만,

사용자 개인에 대한 정보없이 인기도나 상품 간 연관성을 고려하여 추천해주는 방법인 '비개인화 추천 알고리즘'도 있다.

이러한 비개인화 알고리즘은 주로 사용자의 피드백 데이터가 없을 때 사용한다.

(피드백 데이터에는 리뷰, 평점, 좋아요/싫어요 등의 명시적 피드백 데이터, 클릭수, 체류시간, 검색기록 등의 암묵적 피드백 데이터가 있다)

오늘은 비개인화 추천 중에서 통계 기반 비개인화 추천 알고리즘인, 인기도 기반 추천, 조회수 기반 추천, 평점 기반 추천을 포스팅하려고 한다.

1. 인기도 기반 추천

말그대로 정말 인기있는 상품을 추천하는 것이다.

'인기'는 추상적인 개념이라, 평가할 수 있는 자료로 좋아요/싫어요 수, 리뷰수, 평점 같은 명시적 데이터를 사용할 수 있다.

아래는 네이버 쇼핑에서 '두바이 쫀득쿠키'를 검색했을 때 나오는 화면이다.

디폴트로 나오는 '네이버 랭킹순'이 네이버 내부 알고리즘의 인기도 기반 추천이라고 할 수 있겠다 !

적합도 지수, 인기도 지수, 신뢰도 지수를 종합한 점수에 따라 맞춤 검색 결과를 보여주는데,

서비스에 가장 어울리는 규칙을 찾아야 소비자들의 추천 만족도가 올라간다.

[그림1] 네이버 쇼핑의 '네이버 랭킹순'

인기도 기반 추천을 뉴스에 적용한다면 '최신 뉴스는 평점 or 조회수가 없어 추천에 포함되지 않는다'라는 한계점이 있다.

뉴스는 핫한 이슈이면서 최근 소식을 보여줘야하는 데 말이다. 이 점을 보완한 것이 조회수 기반 추천이다.

2. 조회수 기반 추천

조회수 기반 추천은 조회수와 날짜를 조합한 점수를 만듦으로써 사용자에게 따끈하고 핫한 뉴스를 추천하는 방식이다.

뉴스, 영화, 음악 등을 추천할 때 적합하고, 원조 맛집, 관광지 등 오랫동안 인기를 얻어야 하는 분야에는 적합하지 않다.

조회수 기반 추천의 대표적인 알고리즘 Hacker News Algorithm을 소개해보겠다.

[그림2] Hacker News Website

$ score = \frac{pageviews -1}{(age + 2)^{gravity}} $

pageviews : 게시물에 대한 추천 수, 조회수, 댓글 수 등이 들어갈 수 있다. -1은 작성자 자신의 조회수를 제거하기 위함이다.

age : 현재 시각 - 기사 업로드 날짜. 시간 단위로 표시된다.

gravity : 중력 계수로, 오래된 기사일수록 score 값이 작아지도록 조정하는 상수이다. Hacker News에서는 1.8을 디폴트로 사용한다.

조회수가 높을수록 점수는 높아지지만, 시간이 지남에 따라 오래된 뉴스는 조회수가 높더라도 낮은 점수를 갖게 된다.

또한, 중력 상수가 클수록 시간의 흐름에 더 큰 영향을 받게 된다.

[그림3] Hacker News Score Graphs

[그림3]의 좌측 그래프는 중력 상수는 같지만 조회수가 다를 때, 시간에 흐름에 따라 점수가 어떻게 변하는지 보여준다.

시간의 흐름에 따라 조회수가 낮을수록 점수는 가파르게 하락하는 것을 볼 수 있다.

우측 그래프는 조회수는 같지만 중력 상수가 다를 때의 점수 변화를 보여준다.

시간의 흐름에 따라 중력 상수가 높을수록 점수는 가파르게 하락하는 것을 볼 수 있다.

3. 평점 기반 추천

평점 5점을 받은 아이템 A, B가 있다고 하자. A는 5명, B는 500명이 평가했다고 하면 어떤 걸 더 사고 싶은가?

당연히 충분히 많은 수의 평가를 받은 아이템이 더 신뢰가 갈 것이다.

이처럼 평점뿐만 아니라 신뢰성도 함께 고려하는 것이 평점 기반 추천이다.

대표적인 알고리즘으로는 Steam Game Algorithm 이 있다.

[그림4] Steam 내 일부 게임 상세

$ score = avgrating - (avgrating - 0.5) * 2^{-log(reviews)} $

avgrating : 긍정리뷰수 / 전체리뷰수

reviews : 전체 리뷰수

Steam에서 아무 게임이나 들어가면 [그림4]처럼 긍정 비율을 찾아볼 수 있다.

하지만 이 비율은 단순 평균 평점이 아니다. 두번째 텀을 보면 리뷰 수에 따라 점수를 보정하는 것을 알 수 있다.

리뷰 수가 충분히 많은 경우는 [그림 5]와 같이 보정항이 0에 수렴하면서 평균 긍정률이 그대로 점수에 반영하게 된다.

하지만 리뷰 수가 적을 경우, 보정항은 1에 수렴하게 되어 score가 0.5에 가까워지게 된다.

리뷰수가 적은 게임은 평점 신뢰도가 낮기 때문에 0.5(=중립)에 가까워지도록 패널티를 주는 방식이다.

(참고로 Steam에서 사용하는 점수는 0 or 1이다)

[그림5] Steam Game Algorithm 보정항 그래프

자 쉽쥬 ? 그렇다면 다음 포스팅은 뭐다 ?

??? : 개인화 추천 알고리즘 ~

[참고자료]

[입문/초급] 다양한 예제를 통한 추천 시스템 구현

https://news.ycombinator.com/

https://sungkee-book.tistory.com/10

추천 시스템이란?

jjangoocrush — Sat, 6 Dec 2025 19:51:23 +0900

첫번째 글을 포스팅하고 주소를 인스타 스토리로 공유했는데, 생각보다 많은 친구들이 봐줬다.

기분이 묘하기도 하고, 새로운 형식의 도파민인 것 같다 ㅎㅎ 그래서 부랴부랴 막 오타도 고치고...

서론이 길다! 바로 추천 시스템에 대해 낋여왔다...!

1. 추천 시스템의 기본 개념

추천 시스템은 사용자가 무엇을 좋아할까? 를 데이터 기반으로 예측하는 것을 말한다.
이를 위해 사용자의 행동 데이터(조회, 클릭, 구매, 플레이 시간 등) 을 분석해 개인 맞춤형 콘텐츠를 제공한다.

나의 경우에는 유튜브, 넷플릭스, 쿠팡 심지어 게임에서도 개인화 맞춤 추천 등을 많이 경험해왔다.

추천 시스템이 좋은 건 알겠는데.. 그럼 모든 비즈니스에 추천 시스템을 적용하면 되는 건가? 라는 의구심이 들었다.

2. 어떤 비즈니스 구조를 갖고 있을 때, 추천 시스템이 잘 작동할까?

결론부터 말하면, 비즈니스가 롱테일 구조일 때 추천 시스템이 좀 더 잘 작동한다고 할 수 있다..!

롱테일 구조가 뭔데?ㅋ 라고 하는 나같은 분들을 위해 파레토/롱테일 법칙에 대해서도 설명을 적어놓겠다.

(1) 파레토 법칙

파레토 법칙은 이탈리아 경제학자 빌프레도 파레토가 발견한 것으로,

'19세기 후반 이탈리아에서 상위 20% 인구의 부가 전체 부의 80%를 차지하고 있다' 를 관찰하면서 발견하였다.

예를 들어, 백화점은 수익의 80%가 전체 고객의 20%에서 나온다.

때문에 백화점은 상위 20% VIP 고객에게 더 많은 혜택을 제공하는 등의 마케팅 전략을 짤 수 있다.

이렇게 파레토 법칙은 핵심에 집중하고 우선 순위를 정하는 데 도움을 준다!

(2) 롱테일 법칙

롱테일 법칙은 파레토 법칙과 정 반대되는 개념을 가지고 있다.

온라인 플랫폼에서는 수요가 적은 다수의 상품도 쉽게 유통되고 검색되기 때문에, 이들이 모여 상당한 매출을 형성한다.

즉, 롱테일 법칙은 적게 팔리는 다수의 상품이 모이면, 베스트셀러 못지 않은 큰 시장을 형성한다는 개념이다.

사진 출처 : https://kau.ac.kr/kaulife/main/speech_49.html

롱테일 성공 사례에 대해서 몇 가지 나열을 해보자면,,

<아마존>

: 베스트 셀러 몇 개보다 수천개의 틈새 상품이 전체 매출의 큰 비중을 차지한다.

<유튜브>

: 유명 유튜버보다 무수한 중소 크리에이터의 영상들이 전체 시청 시간의 상단 부분을 차지한다.

<넷플릭스>

: 순위에 랭크된 영화 외에도 다양한 독립영화나 해외 콘텐츠가 꾸준히 소비된다.

이렇게 롱테일 영역의 상품이나 컨텐츠까지 사용자에게 도달하는 핵심 기술이 추천 시스템이다.

추천 시스템이 없다면, 롱테일 컨텐츠는 검색되거나 발견되지 않을 수 있고, 소수 인기 아이템에 소비가 집중되게 된다.

하지만 추천 시스템을 적용한다면, 개인화된 추천으로 취향 저격 컨텐츠를 제공할 수 있어 소비자 만족도가 증가하게 되고,

롱테일(=비인기) 영역까지 소비가 확대되어 전체 생태계가 활성화 될 수 있다 !

3. 롱테일 법칙이 설립할 수 있는 조건이 있을까?

롱테일 법칙이 성립할 수 있는데는 몇 가지 조건이 필요하다.

(1) 디지털 유통 채널처럼 공간/재고 제한이 없어야 한다

롱테일 법칙은 기본적으로 '무한한 상품 다양성'이 제공될 수 있을 때 실현된다.

오프라인 매장에서는 진열 공간과 재고 관리 비용 때문에 인기 상품 위주로 상품 구성이 이루어질 수밖에 없다.

하지만 디지털 유통 채널은 저장 공간의 비용이 매우 낮거나 사실상 무한대에 가까워서, 판매량이 적은 상품이라도 부담없이 제공할 수 있다.

이러한 환경이 갖춰져야 비로소 롱테일 구간에 해당하는 희귀 상품들이 시장에 계속 존재할 수 있다.

(2) 검색/추천 시스템이 존재하여 소비자와 상품을 연결시킬 수 있어야 한다

아무리 다양한 상품이 존재해도, 소비자가 그것을 발견하지 못하면 롱테일은 매출로 이어지지 않는다.

따라서 플랫폼에는 다음과 같은 기술이 필수적이다.

가. 소비자가 원하는 제품을 쉽게 찾도록 돕는 검색 기능

나. 취향을 자동으로 분석해 맞춤형 상품을 보여주는 추천 알고리즘

다. 리뷰, 태그, 랭킹 시스템과 같이 탐색 비용을 낮춰주는 정보 구조

이러한 기술적 장치들이 소비자의 탐색 비용을 줄여주어, 소수 인기가 아닌 '취향 기반'의 상품 선택이 가능해지고,

이를 통해 롱테일이 실제 수요로 이어질 수 있다.

(3) 소비자가 다양하고 취향이 세분화되어 있다.

롱테일 법칙의 전제는 '주류 상품에만 수요가 몰리지 않는다'는 점이다.

즉, 소비자들이 개성 있는 취향을 갖고 있고, 다양한 니즈를 추구하는 환경이 형성되어야 한다.

이러한 배경이 갖춰질수록 다수의 비주류 상품에 대한 작은 수요들이 모여 큰 매출을 만들어낼 가능성이 높아진다.

사실 나의 경우에는 우리 게임에 추천 시스템을 무조건 적용해야하는 사람이었다.

하지만 개념을 공부하면 할수록, 우리 게임에 과연 추천 시스템이 잘 워킹할까? 라는 고민이 들었었다.

상품이 많은 편도 아니고, 몇 개의 인기 아이템이 거의 모든 매출 비중을 차지하고 있는 파레토 구조이기 때문이다.

이런 구조에서는 추천 시스템 적용을 못할까? 그것도 아니다. 다른 방법을 찾으면 된다. (이것도 포스팅 예정)

다음 포스팅도 기대되쥬 ? 기대된다고 해죠 !!!

[참고자료]

[입문/초급] 다양한 예제를 통한 추천 시스템 구현