이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
추천 시스템에 관심이 생겨서 넷플릭스 프라이즈 관련 논문부터 읽기 시작했습니다. 협업 필터링의 원리를 이해하는 데 2주 정도 걸렸는데, 읽는 것만으로는 한계가 있어서 직접 구현해 봤습니다.
영화 평점 데이터로 사용자 기반 협업 필터링을 처음 구현했습니다. 이론에서 쉬워 보였는데 실제로 짜보니 유사도 계산의 계산 복잡도와 콜드 스타트 문제가 바로 나타났습니다. 논문에서 읽었던 개념들이 왜 필요한지를 직접 막혀보면서 이해하게 됐습니다.
그 경험 이후로 추천 시스템 공부는 데이터를 직접 다뤄봐야 깊어진다는 걸 알게 됐습니다. 사이드 프로젝트에서 간단한 추천 기능을 만들 때 그 기반이 됐고, 콘텐츠 기반 필터링을 조합한 하이브리드 구조로 콜드 스타트 문제를 부분적으로 해결했습니다.
사이드 프로젝트의 도서 추천 기능에서 클릭률이 너무 낮다는 피드백이 있었습니다. 단순 인기순 노출이었는데, 같은 책이 반복해서 상위에 뜨는 문제가 있었습니다.
사용자 행동 이력 기반 점수를 추가했습니다. 사용자가 이미 본 책의 점수를 낮추고, 장르 선호도를 반영하는 가중치를 더했습니다. A/B 테스트로 비교했더니 클릭률이 1.6배 올랐습니다.
실패 경험도 있었습니다. 개인화를 너무 강하게 주니 비슷한 책만 계속 추천되는 필터 버블 현상이 생겼습니다. 새로운 카테고리 책을 15% 비율로 섞는 다양성 로직을 추가했습니다. 추천 시스템에서 정확성과 다양성은 항상 트레이드오프라는 걸 그때 배웠습니다.
팀 프로젝트에서 추천 기능을 개선했는데, '좋아졌다'는 느낌은 있는데 수치로 증명이 안 됐습니다. 정확히 무엇을 측정해야 하는지 몰랐습니다.
추천 시스템 지표를 공부하면서 정밀도, 재현율, 다양성 지표를 알게 됐습니다. 비즈니스 목표가 '구매 전환'이라면 구매로 이어진 추천 비율이, '탐색 촉진'이라면 카테고리 다양성이 맞는 지표라는 것도 이해했습니다.
지표를 먼저 정의하지 않으면 어떻게 개선해도 '잘 됐나?'를 알 수 없다는 걸 그때 배웠습니다. 이후엔 추천 시스템 작업을 시작할 때 어떤 지표를 어떤 기준으로 개선할 것인가를 먼저 정하는 습관이 생겼습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 토스 ML 엔지니어 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.