초개인화 추천 시스템 프로젝트

수많은 콘텐츠 속에서 유저가 사랑할 이야기를 찾아내기 위해, 인터랙션 로그와 최신 머신러닝 기술을 결합해 유저별 최적 콘텐츠를 연결하는 프로젝트입니다.

단순 모델 개발을 넘어 라이브 서비스의 방대한 데이터를 안정적으로 처리하고, 실제 지표로 가치를 증명하는 End-to-End 추천/검색 고도화를 목표로 합니다.

프로젝트 아카이브

프로젝트가 많아져도 빠르게 소개할 수 있도록 검색/도메인 필터/페이지네이션 구조로 구성했습니다.

총 206개 중 1-12 표시

담당업무

• 초개인화 추천 모델 개발: VOD, LIVE, 검색 행동 데이터를 융합해 사용자 맥락 기반 추천 모델 설계
• End-to-End 서비스 운영: 추천 데이터 생성부터 프로덕트 적용, 모니터링, 성능 최적화
• 검색/추천 경험 고도화: 유저 피드백 루프를 반영해 검색 정확도와 개인화 알고리즘 지속 개선
• MLOps 및 인프라 구축: 대규모 트래픽을 처리하는 안정적인 AI/ML 인프라 운영 자동화

실제 개발 시작 샘플

아래 순서대로 구성하면 추천 시스템 MVP를 빠르게 구현하고 운영 지표까지 연결할 수 있습니다.

{
  "user_id": "u_1024",
  "item_id": "vod_891",
  "event_type": "click|watch|like|search",
  "event_ts": "2026-04-14T12:30:00Z",
  "watch_sec": 132,
  "query": "힐링 음악"
}

# daily_feature_job.py
features = {
  "user_ctr_7d": clicks_7d / impressions_7d,
  "watch_time_7d": sum_watch_sec_7d,
  "category_pref": top_category_7d,
  "search_intent": latest_query_embedding
}
store_feature(user_id, features)

// app/api/recommend/route.ts
export async function GET(req: Request) {
  const userId = new URL(req.url).searchParams.get("userId");
  const candidates = await fetchCandidates(userId);
  const ranked = await rankByModel(userId, candidates);
  return Response.json({ items: ranked.slice(0, 20) });
}

primary_kpi:
- recommendation_ctr
- watch_time_per_user

guardrail:
- hide_rate
- latency_p95_ms

MVP 개발 체크리스트

• 로그 수집: 노출/클릭/시청/검색 이벤트 파이프라인 구축
• 오프라인 학습: 배치 피처 생성 후 랭킹 모델 학습 및 검증
• 온라인 서빙: 추천 API + 캐시 + 장애 시 fallback 룰 적용
• 모니터링: CTR, 시청시간, 지연시간(p95), 오류율 대시보드화
• A/B 테스트: 실험군/대조군 분리 및 KPI 유의미성 확인

샘플 화면 (추천 서비스 UI)

아래는 실제 구현 시 참고할 수 있는 샘플 화면입니다. 탭으로 추천/검색/실험 결과 화면을 전환해 볼 수 있습니다.