NEGABARO RecSys

🧬 임베딩 & 표현 학습

📏

벡터란 무엇인가

방향과 크기를 가진 숫자 묶음 — 차원이 올라가면 의미를 담는다

벡터는 숫자의 나열이다. 2개면 평면 위의 점, 3개면 공간 속의 점, 1536개면 의미 공간 속의 점이 된다.

🔢

임베딩이란 무엇인가

숫자로 바꿔야 계산할 수 있다 — 모든 AI의 출발점

임베딩은 텍스트, 이미지, 아이템 같은 비정형 데이터를 숫자 벡터로 변환하는 기법이다. 변환된 벡터 사이의 거리가 곧 "의미적 유사도"가 된다.

📐

Word2Vec

단어를 벡터로 바꾸는 시작점

주변 단어로 중심 단어를 예측(CBOW)하거나, 중심 단어로 주변을 예측(Skip-gram)하면서 의미 벡터를 학습한다.

🛒

Item2Vec

Word2Vec을 아이템에 적용한 추천 임베딩

사용자의 구매/클릭 시퀀스를 \"문장\"으로 보고, 각 아이템을 \"단어\"처럼 임베딩한다.

🗺️

📊 전통적 추천

👥

협업 필터링 (Collaborative Filtering)

\"너랑 취향 비슷한 사람이 이거 좋아했어\"

유저 간 또는 아이템 간 유사도를 기반으로 추천하는 가장 고전적인 방법.

🔢

행렬 분해 (Matrix Factorization)

Netflix Prize를 지배한 잠재 요인 모델

유저-아이템 매트릭스를 두 개의 저차원 행렬로 분해해서, 빈 칸(= 안 본 아이템)의 평점을 예측한다.

🧠 딥러닝 추천

🔄

GRU4Rec

세션 기반 추천의 시작 — RNN으로 \"다음 클릭\" 예측

GRU(Gated Recurrent Unit)로 유저의 클릭 시퀀스를 모델링해서, 다음에 클릭할 아이템을 예측한다.

⚡

Transformer 기반 추천

Self-Attention으로 유저 행동 시퀀스 전체를 한 번에

GRU가 순차적으로 처리했다면, Transformer는 Self-Attention으로 시퀀스 전체의 관계를 병렬로 파악한다.

🎭

BERT4Rec

Masked Language Model을 추천에 적용 — 빈칸 맞추기로 유저 취향 학습

BERT의 MLM(Masked Language Model) 방식을 추천에 적용. 시퀀스 중간의 아이템을 마스킹하고 맞추면서 양방향 문맥을 학습한다.

🤖 LLM & 추천/검색

🤖

LLM 시대의 추천 시스템과 검색 — 실제로 뭐가 바뀌었나

YouTube, Spotify, Netflix, LinkedIn이 LLM을 추천/검색에 적용한 방법과 결과

추천 시스템과 검색은 원래 언어 모델에서 아이디어를 빌려오던 분야다. Word2Vec → 아이템 임베딩, Transformer → 시퀀스 추천. LLM이 등장하면서 이 흐름이 한 단계 더 나갔다. 2025년 기준, 실제 프로덕션 결과가 나오기 시작했다.