패스트캠퍼스 환급챌린지 23일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://abit.ly/lisbva

 

공부 시작

강의 종료

강의장

학습 인증샷

학습후기

 

 

MAB (Multi-Armed Bandits)

당첨확률이 각각 다른 슬못머신 여러 개 중에서 한 번에 하나씩 눌러가며 최대 보상을 얻고 싶은 상황을 수학적으로 모델링한 문제

 

지금까지 좋았던 걸 계속 추천할까? 아니면 아직 테스트하지 않은 걸 시도해볼까?

이 딜래마를 탐험(Exploaration) vs 활용(Exploitaion)

 

사용예시

1. 뉴스 앱에서 어떤 기사 헤드라인을 띄워야 클릭이 잘 나올까

2. 광고 시스템에서 어떤 배너가 전환율이 높을까

3. 커머스 메인에서 어떤 상품을 배치하면 가장 반응이 좋을까

이렇게 즉시 반응(CTR, 클릭, 구매)을 기반으로 추천을 조정해야 하는 상황에 MAB 알고리즘이 사용된다.

 

---

논문 : A Survey on Practical Applications of Multi-Armed and Contextual Bandits

논문링크

 

논문에서는 단순한 ε-greedy부터 UCB, Thompson Sampling, LinUCB, Contextual Bandit까지
여러 MAB 계열 알고리즘이 실제 서비스에서 어떻게 쓰였는지를 도메인별로 소개하고 있다.
각 알고리즘마다 강점이 다르기 때문에, 도메인 특성과 문제 구조에 따라 맞춤형으로 선택하는 게 핵심이라는 점을 강조한다.

예를 들어:

 

 

대표적인 MAB 알고리즘

 

1. ε-Greedy

Yahoo!에서 사용된 적이 있다.

유저에게 항상 가장 인기 있는 기사를 보여주는 게 아니라, 일정 확률로 새로운 기사를 랜덤으로 보여줌으로써
새로운 콘텐츠의 반응을 탐색할 수 있도록 했다.

 

2. UCB (Upper Confidence Bound)

클릭 수가 적은 콘텐츠도 신뢰 구간을 넓게 잡아 일정 확률로 노출한다.
이 방식은 의료 영역에서 실험 약물 추천 시 활용되었다.
이미 효과가 입증된 치료를 기본으로 사용하되, 확신이 덜한 새로운 치료도 안전하게 실험할 수 있게 해준다.

 

3. Thompson Sampling

베이즈 기반 접근이라 확률적으로 더 유연하게 반응을 예측한다.
광고 시스템이나 온라인 게임 설계에 많이 쓰였는데,
예를 들어 게임에서 어떤 보상을 줄지 결정할 때,
유저의 반응에 따라 보상의 종류나 수량을 점점 최적화할 수 있도록 학습한다.

 

4. LinUCB

유저의 feature 정보를 활용해 더 정교한 선택을 할 수 있다.
논문에선 퍼스널라이즈된 광고 추천에서 이 알고리즘이 쓰였다고 설명한다.
단순히 어떤 광고가 잘 나가는지를 보는 게 아니라,
이 유저의 나이, 성별, 관심사 등을 반영해 가장 반응이 좋을만한 광고를 실시간으로 예측하는 데 활용된다.

 

5. Contextual Bandit

유저의 현재 컨텍스트(예: 시간대, 기기, 위치 등)를 입력으로 함께 사용한다.
넷플릭스나 유튜브 같은 스트리밍 서비스에서,
같은 유저라도 아침과 밤에 보고 싶어하는 콘텐츠가 다르다는 점을 반영해
“지금 이 순간 가장 어울리는 콘텐츠”를 추천하는 데 쓰인다.

 

 

“이제 A/B 테스트는 좀 올드하다. 실시간으로 학습하고 반응하는 게 훨씬 실용적이다.”
그걸 잘 설명해주는 논문이었다.