이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 작품으로 온라인 서점 추천 기능을 만들었습니다. 처음엔 구매 이력만으로 추천했는데, 구매가 적은 신규 사용자는 추천이 아예 안 나오는 콜드스타트 문제가 있었습니다.
클릭, 장바구니, 구매에 각각 가중치를 다르게 부여해 행동 점수를 계산했습니다. 클릭은 1점, 장바구니는 3점, 구매는 5점으로 시작했습니다. 처음엔 클릭 가중치가 너무 낮아 클릭만 많고 구매가 없는 책이 낮게 랭크되는 경우가 있었습니다. 가중치를 조정하면서 클릭율과 구매전환율 모두 확인하는 과정을 2주 반복했습니다.
그 경험에서 추천 시스템의 데이터 구조는 어떤 행동을 중요하게 볼지가 먼저 결정된 뒤에 설계해야 한다는 걸 배웠습니다. 데이터를 먼저 모으고 나서 어떻게 쓸지 결정하면 구조가 뒤틀린다는 것이 지금도 제 기준입니다.
사이드 프로젝트에서 '당신과 비슷한 사용자가 본 영화' 추천 기능을 만들었습니다. 사용자 간 유사도를 계산하는 방식을 직접 구현했는데, 사용자가 500명만 돼도 유사도 행렬 계산에 서버가 1분 이상 멈추는 문제가 생겼습니다.
온라인 계산을 포기하고 야간 배치로 유사도를 미리 계산해 DB에 저장하는 방식으로 바꿨습니다. 실시간 정확성을 포기하고 배치로 타협한 것이었습니다. 완벽한 실시간 추천보다 서비스가 멈추지 않는 추천이 먼저라는 걸 그때 배웠습니다.
데이터 구조도 처음엔 사용자-아이템 전체 행렬을 저장했는데, 희소 행렬 표현으로 바꾸니 저장 공간이 80% 줄었습니다. 추천 시스템 설계에서 계산 복잡도와 저장 구조를 동시에 고려해야 한다는 것이 이 경험이 남긴 핵심 교훈입니다.
인턴 때 아티클 추천 기능 개선을 담당했습니다. 기존엔 카테고리가 같은 글을 추천했는데, 카테고리가 너무 넓어서 연관성이 낮은 글이 섞였습니다.
태그를 원-핫 인코딩해 벡터로 만들고 코사인 유사도로 가까운 글을 찾는 방식을 제안했습니다. 오프라인 실험에서 클릭율이 1.4배 올랐고 팀에서 도입하기로 했습니다. 실제 배포 시 유사도 계산이 아티클 수에 비례해 느려지는 문제가 생겨 신규 아티클 등록 시 사전 계산하고 결과를 캐시하는 방식으로 해결했습니다.
그 경험에서 추천 품질과 응답 시간은 별도로 설계해야 한다는 걸 배웠습니다. 품질 개선 실험은 오프라인에서, 성능은 서빙 아키텍처에서 따로 챙겨야 둘 다 잃지 않을 수 있다는 것이 지금도 제 기준입니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 토스 백엔드 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.