추천 시스템 문제의 본질

추천 시스템은 “무엇을 좋아할까”를 맞히는 문제가 아니다.
핵심은 관측된 일부 행동으로 보이지 않는 선호 구조를 추정하는 것이다.

사용자 기반 협업 필터링은
이 문제를 가장 단순한 구조로 환원한 기준점이다.

---

추천 시스템 문제 정의

추천 시스템의 기본 입력과 출력은 다음으로 고정된다.

• 입력:
  • 사용자
  • 아이템
  • 사용자–아이템 간의 과거 상호작용
• 출력:
  • 아직 보지 않은 아이템에 대한 선호 추정

문제의 본질:

• 데이터는 희소하다
• 대부분의 조합은 관측되지 않았다
• 예측 대상은 “미래 행동”이다

👉 추천은 분류도 회귀도 아닌
관계 추론 문제다.

---

사용자 기반 협업 필터링 개념

핵심 아이디어

• 나와 비슷한 사용자를 찾는다
• 그들이 좋아했지만 나는 보지 않은 것을 추천한다

직관적 비유

취향을 모르는 새 영화를 고를 때,
나와 영화 취향이 비슷한 사람의 리스트를 훔쳐본다는 발상이다.

구조 요약

• 사용자 × 아이템 관계를 표로 본다
• 사용자를 기준으로 유사도를 계산한다
• 유사한 사용자들의 선택을 합쳐 예측한다

👉 모델이 아니라
“비슷한 사람은 비슷한 선택을 한다”는 가정이 전부다.

---

단일 영화 추천 vs 전체 추천 차이

단일 영화 추천

• 질문: “이 영화, 이 사용자가 좋아할까?”
• 필요한 것:
  • 유사 사용자 일부
  • 국소적 판단

전체 추천

• 질문: “이 사용자에게 뭘 보여줄까?”
• 필요한 것:
  • 전체 아이템 공간 탐색
  • 순위 결정 로직

문제 난이도 관점

항목	단일 추천	전체 추천
계산 범위	좁음	넓음
오류 영향	제한적	누적됨
실무 난이도	낮음	높음

👉 “하나 맞히기”와
“리스트를 만드는 것”은 전혀 다른 문제다.

---

실제 서비스에서의 한계

데이터 스케일

• 사용자·아이템 수가 늘수록 계산 비용 증가
• 유사도 계산이 병목이 된다
• 실시간 추천에 부적합해진다

콜드 스타트

• 신규 사용자:
  • 과거 행동 없음
• 신규 아이템:
  • 평가 데이터 없음

이 경우:

• “비슷한 사용자” 자체가 정의되지 않는다

👉 사용자 기반 협업 필터링은
초기 구조 이해에는 최적,
대규모 서비스에는 그대로 쓰기 어렵다.

---

구조 요약

• 추천 문제는 관계 문제다
• 사용자 기반 협업 필터링은 가장 직관적인 해법이다
• 한계가 명확하기 때문에, 이후 확장의 기준점이 된다

이 구조를 이해하면, 다른 추천 모델들은 모두
“여기서 무엇을 자동화·대체했는가”로 환원된다.

---

• 참고: Machine Learning 실전 개발 | 8개의 실용 프로젝트