협업 필터링·콘텐츠 기반·딥러닝을 하나의 엔진에 통합한 개인화 추천 시스템. 사용자의 행동을 실시간으로 학습하고, 다음에 원할 콘텐츠를 먼저 제안합니다.
Persona AI는 세 가지 추천 알고리즘을 하나의 파이프라인으로 통합한 개인화 추천 엔진입니다.
사용자의 클릭·체류·구매·스크롤까지 모든 상호작용을 실시간으로 수집하고, 딥러닝 임베딩으로 취향의 잠재 공간을 만듭니다.
본 페이지는 추천 시스템 프로젝트의 아키텍처·알고리즘·지표를 하나의 스토리로 정리한 포트폴리오용 기업형 웹사이트입니다.
단일 알고리즘으로는 사용자의 복잡한 취향을 모두 잡아낼 수 없습니다. 서로 다른 세 알고리즘의 결과를 앙상블하여 추천의 사각지대를 메웁니다.
비슷한 취향을 가진 사용자 그룹의 행동을 학습하여, 아직 보지 않은 콘텐츠를 제안합니다.
아이템의 텍스트·이미지·메타데이터를 벡터로 임베딩하여, 의미적으로 유사한 항목을 찾아냅니다.
사용자와 아이템을 동일한 잠재 공간에 매핑하는 신경망으로, 비선형 취향 패턴을 포착합니다.
사용자 이벤트가 발생한 순간부터 추천 결과가 반환되기까지, 데이터는 세 단계 파이프라인을 거쳐 흐릅니다.
사용자의 클릭·체류·구매·스크롤·검색 이벤트를 Kafka로 스트리밍 수집합니다. 초당 수만 건의 이벤트를 로스 없이 처리하도록 파티셔닝했습니다.
수집 성공률 99.4%TensorFlow 분산 학습으로 매일 새벽 전체 재학습, 매 30분마다 증분 업데이트를 수행합니다. 사용자·아이템 임베딩은 Redis에 핫 캐시됩니다.
NDCG@10 0.91FastAPI + ONNX Runtime으로 추론을 경량화했습니다. 앙상블 추천 결과를 18ms 이내에 반환하며, React 프런트에서 지연 없이 렌더링됩니다.
P95 latency 88msPersona AI는 요일·시간·접속 기기·최근 관심을 함께 고려하여 같은 사용자에게도 상황에 맞는 결과를 반환합니다.
왼쪽 패널은 실제 추천 결과의 UI 예시입니다. 각 항목의 점수는 세 알고리즘의 가중 앙상블 결과이며, 레이블(CF·CONTENT·DEEP)로 어떤 경로로 추천됐는지 투명하게 보여줍니다.
추천 이유를 숨기지 않는 것이 이 프로젝트의 철학입니다.
실제 데모 실행하기 →상위 10개 추천의 적중률
순위 품질 지표
평균 추론 응답 시간
누적 학습 이벤트 수
사용자·아이템 잠재 벡터
증분 학습 주기
일일 고유 방문자 처리
월간 서비스 가용성
추천 시스템은 학습이 전부가 아닙니다. 지표·피드백·재학습의 루프가 돌아야 진짜 동작합니다.
MovieLens·Amazon 리뷰 공개 데이터셋으로 CF·콘텐츠 기반·딥러닝 세 가지 알고리즘의 베이스라인 지표를 비교했습니다.
TensorFlow Two-Tower 모델 기반 MVP 구축. FastAPI 서빙 경로를 완성하고 React 데모 UI에 연결했습니다.
세 알고리즘의 앙상블 가중치 자동 튜닝, Kafka 실시간 수집, 30분 증분 학습 도입. NDCG@10 0.91 달성.
각 추천 결과에 "왜 이 항목이 나왔는가"를 알고리즘 경로와 함께 사용자에게 투명하게 공개.
콘텐츠·이커머스·뉴스·플레이스 4개 도메인으로 확장. 외부 개발자용 Python SDK 배포.
이 페이지는 ML 추천 시스템을 기업형 제품 소개 사이트로 풀어낸 junetapa의 포트폴리오 프로젝트입니다.
다른 프로젝트 보기 → junetapa.com