플러스프로젝트 배경
1) 문제점 인기도 기반 추천은 모든 유저에게 동일한 상품을 노출하여 개인화가 불가능하고, 신규 유저·아이템에 대한 cold-start 문제가 발생합니다. 또한 offline metric(RMSE)만 제시하는 포트폴리오는 실제 서비스 적용 가능성에 대한 설득력이 부족합니다. 2) 프로젝트 목표 CF(협업 필터링) 6종·Content-Based·Hybrid 등 다양한 추천 접근법을 동일한 평가
프로젝트 성과
추천 랭킹 품질 +85.4% 향상
Weighted Hybrid(α=0.85)가 popularity baseline(0.1347) 대비 Precision@10 0.2497을 달성 +85.4% 향상. NDCG@10도 0.3571로 +103.4% 개선
추천 카탈로그 다양성 확대
popularity 기반 추천의 Coverage 2.9%에서 Weighted Hybrid
적용 후 18.1%로 약 6.2배 확장. 추천 상품의 다양성 대폭 증가.
적용 후 18.1%로 약 6.2배 확장. 추천 상품의 다양성 대폭 증가.
신규 유저 추천 정확도 회복
평점 10~15개 누적 시점에서 hybrid가 popularity 단계의
precision을 역전. popularity → content → hybrid 3단계
자동 전환 로직으로 신규 유저 경험 개선.
precision을 역전. popularity → content → hybrid 3단계
자동 전환 로직으로 신규 유저 경험 개선.
A/B 테스트 실험 설계 완성
CTR +5% 가설 기반, α=0.05 / power=0.80 기준 약 33,151
users/arm 산출. offline 성과를 실제 서비스 실험 계획으로
연결하는 end-to-end
users/arm 산출. offline 성과를 실제 서비스 실험 계획으로
연결하는 end-to-end
핵심 기능
Weighted Hybrid 추천
CF 점수(α=0.85)와 Content-Based 점수를 결합한 하이브리드 모델.
popularity baseline 대비 Precision@10 +85.4%, NDCG@10 +103.4% 달성.
popularity baseline 대비 Precision@10 +85.4%, NDCG@10 +103.4% 달성.
진행 단계
문제 정의 및 평가 체계 설계
2026.03.
인기도 기반 추천의 한계 분석, 비즈니스 목표 정의.
RMSE 대신 Precision@K / NDCG@K / Coverage를 primary metric으로
설정하는 평가 프레임워크 구축.
RMSE 대신 Precision@K / NDCG@K / Coverage를 primary metric으로
설정하는 평가 프레임워크 구축.
프로젝트 상세
1) 포트폴리오 소개 MovieLens 100K 데이터를 기반으로 협업 필터링(CF), 콘텐츠 기반(CB), 하이브리드 추천 등 6종 모델을 동일 평가 체계 아래 비교·분석한 추천 시스템 포트폴리오 프로젝트입니다. Weighted Hybrid 모델이 popularity 기준 대비 Precision@10 +85.4%, NDCG@10 +103.4%를 달성했으며, 신규 유저 온보딩을 위한 Cold-sta
