134 추천시스템_이해

추천시스템 이해는 사용자·아이템 상호작용 데이터를 기반으로 협업필터링·콘텐츠기반·하이브리드 추천을 구현하고 평가하는 실무형 과정이다.

0. 교육을 하는 이유와 궁극적인 목표

추천시스템 이해 교육의 궁극적인 목표는 학습자가 추천이 단순 인기순 정렬이 아니라 사용자 행동 데이터, 아이템 특성, 유사도, 랭킹, 평가 지표, 콜드스타트 문제를 종합해 설계되는 시스템임을 이해하고, Python으로 개인화 추천 모델과 데모를 제작할 수 있게 하는 것이다. 민간 데이터사이언스 과정의 유료형 흐름처럼 MovieLens·상품·콘텐츠 데이터를 활용해 모델 비교, 지표 평가, 비즈니스 적용까지 연결한다.

참고한 유료형 교육 흐름

협업필터링과 콘텐츠기반 추천을 각각 구현한 뒤 하이브리드 전략으로 확장하는 데이터사이언스 부트캠프 방식
MovieLens·전자상거래·교육콘텐츠 클릭 데이터를 활용해 실제 추천 문제를 재현하는 프로젝트형 과정
Precision@K, Recall@K, MAP, NDCG 등 랭킹 지표를 적용하는 실무 평가 흐름
Streamlit 추천 데모와 사용자 세그먼트별 추천 리포트를 산출물로 요구하는 전문 트랙

입문 · 1일

구분	세부 내용	실천·실습 방법
목표 1	추천 문제를 정의한다	영화, 음악, 온라인 강의, 쇼핑몰 중 하나를 선택해 사용자·아이템·상호작용 표를 만든다. 인기순, 최신순, 개인화 추천의 차이를 예시 화면으로 비교한다.
목표 2	기초 유사도를 계산한다	사용자 평점표를 만들고 cosine similarity 또는 Pearson correlation으로 유사 사용자를 찾는다. 비슷한 사용자가 좋아한 아이템을 추천 목록으로 만드는 과정을 손계산과 Python으로 비교한다.
목표 3	추천 결과를 해석한다	추천 이유를 사용자 취향, 유사 사용자, 아이템 특징으로 나눠 설명한다. 잘못된 추천 사례를 콜드스타트, 데이터 부족, 취향 변화, 인기 편향으로 분류한다.

사용 플랫폼	Python, pandas, NumPy, scikit-learn, Google Colab, MovieLens small dataset
강사 스펙	추천시스템 개념, 유사도 계산, pandas 데이터 실습 지도 경험 3년 이상
수업대상	데이터 분석 입문자, AI 기획자, 교사 연수생, 청소년 데이터 프로젝트반
소요시간	4-6시간
준비물	노트북, Colab 계정, MovieLens 샘플 데이터, 추천 설명 카드
산출물	사용자-아이템 행렬, 유사도 계산표, 기초 추천 목록
평가방법	문제정의 25%, 유사도계산 30%, 결과해석 25%, 오류분류 10%, 참여도 10%

협업필터링 추천 구현 과정

사용자 행동 데이터로 개인화 추천 모델을 만든다.

구분	세부 내용	실천·실습 방법
목표 1	사용자 기반 추천을 구현한다	MovieLens 평점 데이터를 pivot table로 변환하고 유사 사용자 기반 추천을 만든다. neighbor 수를 바꿔 추천 다양성과 안정성이 어떻게 변하는지 비교한다.
목표 2	아이템 기반 추천을 구현한다	item-item similarity matrix를 만들고 특정 아이템과 유사한 아이템을 추천한다. 장르 또는 카테고리 정보를 함께 확인해 유사도가 의미 있는지 검증한다.
목표 3	평가 지표를 적용한다	train/test split으로 숨긴 평점을 예측하고 RMSE, MAE를 계산한다. top-N 추천에 대해 Precision@K와 Recall@K를 계산해 랭킹 품질을 평가한다.

사용 플랫폼	Python, pandas, NumPy, scikit-learn, Surprise, MovieLens, Matplotlib
강사 스펙	협업필터링, Surprise 라이브러리, 추천 평가 지표 지도 경험 3년 이상
수업대상	Python 기초 가능자, 데이터 분석가 입문자, 서비스 기획자
소요시간	12-18시간
준비물	MovieLens 데이터, Colab 또는 로컬 Python, 평가 지표 실습 노트북
산출물	사용자 기반 추천기, 아이템 기반 추천기, 추천 평가 리포트
평가방법	모델구현 35%, 지표평가 25%, 비교분석 20%, 코드정리 10%, 발표 10%

초급 · 1주

콘텐츠기반·하이브리드 추천 과정

아이템 특성과 사용자 행동을 결합한 추천을 설계한다.

구분	세부 내용	실천·실습 방법
목표 1	콘텐츠기반 추천을 구현한다	상품명, 설명문, 태그, 장르를 TF-IDF 또는 SentenceTransformer 임베딩으로 벡터화한다. 특정 아이템과 유사한 아이템을 검색하고 추천 이유 키워드를 추출한다.
목표 2	하이브리드 추천을 설계한다	협업필터링 점수와 콘텐츠 유사도 점수를 가중합으로 결합한다. 신규 사용자와 신규 아이템 상황에서 어떤 정보가 필요한지 콜드스타트 대응표를 만든다.
목표 3	추천 UI를 제작한다	Streamlit에서 사용자 선택, 관심 태그, 최근 클릭을 입력받아 추천 목록을 출력한다. 추천 이유, 유사도 점수, 인기 점수를 함께 보여주어 설명 가능한 추천 화면을 만든다.

사용 플랫폼	Python, scikit-learn, SentenceTransformers, pandas, Streamlit, FAISS, MovieLens 또는 상품 데이터
강사 스펙	콘텐츠기반 추천, 텍스트 임베딩, 추천 UI 제작 경험 4년 이상
수업대상	AI 서비스 기획자, 데이터 프로젝트팀, 포트폴리오 준비생
소요시간	20-30시간
준비물	아이템 설명 데이터, 사용자 행동 샘플, Streamlit 환경, 추천 이유 템플릿
산출물	콘텐츠기반 추천기, 하이브리드 추천 로직, 설명 가능한 추천 데모
평가방법	콘텐츠벡터화 25%, 하이브리드설계 25%, UI구현 25%, 설명가능성 15%, 발표 10%

중급 · 4주

실무 추천시스템 설계 과정

랭킹·세그먼트·운영지표를 포함한 추천 시스템을 설계한다.

구분	세부 내용	실천·실습 방법
목표 1	랭킹 파이프라인을 구성한다	후보 생성, 점수화, 재정렬, 다양성 보정 단계로 추천 파이프라인을 나눈다. 인기 편향 완화, 중복 제거, 카테고리 다양성 규칙을 적용해 추천 목록을 재정렬한다.
목표 2	암묵적 피드백을 활용한다	클릭, 조회시간, 장바구니, 구매를 가중치가 다른 상호작용 데이터로 변환한다. implicit 라이브러리의 ALS 또는 LightFM으로 top-N 추천을 구현한다.
목표 3	운영 지표를 설계한다	CTR, CVR, 재방문율, 추천 클릭 점유율, 다양성 지표를 대시보드 항목으로 정의한다. 오프라인 지표와 온라인 A/B 테스트 지표가 다를 수 있는 사례를 분석한다.

사용 플랫폼	Python, implicit, LightFM, pandas, scikit-learn, Streamlit, Plotly, PostgreSQL 또는 SQLite
강사 스펙	암묵적 피드백 추천, 랭킹 파이프라인, 서비스 지표 설계 경험 4년 이상
수업대상	데이터사이언스 중급자, 서비스 PM, 커머스·콘텐츠 운영자
소요시간	40-60시간
준비물	클릭/구매 로그 샘플, DB 환경, 대시보드 템플릿, A/B 테스트 사례자료
산출물	암묵적 피드백 추천 모델, 랭킹 파이프라인 문서, 운영지표 대시보드
평가방법	파이프라인설계 25%, 모델구현 25%, 운영지표 25%, 대시보드 15%, 발표 10%

심화 · 8주