A
약 120초
협업 필터링 추천 시스템 구현
졸업 프로젝트에서 협업 필터링 기반 추천 시스템을 구현해봤습니다. 주제는 영화 평점 데이터로 사용자 유사도를 계산하는 방식이었고, 제가 직접 담당한 부분은 user-item 행렬 구성과 코사인 유사도 계산, 그리고 Top-K 추천 로직이었습니다. 지표는 Precision@10과 Recall@10을 함께 봤는데, Recall이 올라가면 Precision이 떨어지는 트레이드오프를 직접 관찰했습니다.
Cold-start 문제는 해결하지 못했습니다. 신규 사용자에겐 평점 이력이 없어 기본 인기 순위로 폴백했는데, 이게 추천 품질을 낮춘다는 걸 알면서도 당시엔 다른 방법을 적용할 시간이 없었습니다. 이후 논문에서 콘텐츠 기반 필터링과 하이브리드로 cold-start를 완화하는 방법을 읽었고, 다음 프로젝트에선 이 방향을 써보고 싶습니다.
이 결의 특징
user-item 행렬과 코사인 유사도 계산, Top-K 추천 로직을 담당하면서 Precision@10과 Recall@10의 트레이드오프를 직접 관찰하고, Cold-start 문제를 해결하지 못해 기본 인기 순위로 폴백했다는 한계를 그대로 밝힌 흔적이 있습니다.
이 결이 통하는 자리
협업 필터링 구현 범위와 지표 트레이드오프를 자신의 언어로 설명하고, Cold-start 미해결을 인정하면서도 다음 프로젝트에서 하이브리드로 접근하겠다는 방향이 함께 제시될 때 통합니다. 한계를 밝힌 자리에서 면접관의 꼬리질문이 줄어드는 결이 보입니다.