패스트캠퍼스 환급챌린지 21일차 : 30개 프로젝트로 끝내는 추천시스템 구현 초격차 패키지 강의 후기
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
공부 시작
강의 종료
강의장
학습 인증샷
학습후기
콜드 스타트 해결 방법 - Naive Approaches
1. 인기 아이템 추천
보통 좋은 반응
하지만 유저의 고유한 선호도 반영 X
2. 랜덤 아이템 추천
신규 유저에게 랜덤하게 아이템 추천
다양한 아이템에 노출되기 때문에 유저의 선호를 발굴 가능
그러나 부족한 relevance로 서비스 이탈 위험
3. 인구 통계 기반 추천
유저의 특성에 따라 segment를 나누어 반응이 좋은 아이템을 추천
4. 규칙 기반 추천
콘텐츠/아이템 특성, 계정 생성 시간, 디바이스 정보 등
사전에 정의된 조건에 따라 특정 아이템을 자동 추천
예: 새벽 가입 유저에겐 심야용 콘텐츠 우선 노출
기획/운영 입장에서 제어가 쉬움
하지만 추천 로직이 고정돼 있어 개인화 측면은 약함
5. 온 보딩 설문지
가입 직후 간단한 취향 설문을 받아 유저 임베딩 초기화
선호 장르, 관심 카테고리, 목적(힐링/학습 등)을 체크박스로 수집
설문 데이터를 바로 cold start 대응에 활용 가능
진입 장벽이 될 수 있어 UI/UX 설계가 중요
6. 아이템 선택 or 순위 지정 유도
관심 있는 콘텐츠를 고르게 하거나, 선호도를 직접 순위화하게 유도
ex: “이 중에서 더 끌리는 걸 골라주세요”
선택된 아이템 기반으로 초기 추천 성능 향상 가능
유저 스스로 초기 취향을 표현했다는 느낌도 줌
7. 인터랙티브 퀴즈
게임형 혹은 스토리 기반 퀴즈로 자연스럽게 취향 유도
ex: “당신의 성향은 OOO 타입, 이런 콘텐츠 어때요?”
재미 요소 + 추천 결과 설명까지 가능
콘텐츠 서비스에서 특히 활용도 높음
이런 나이브한 방식들은 데이터가 부족한 초기에 cold start 유저들에게 최소한의 추천 경험을 제공하기 위한 전략이다.
유저 데이터가 거의 없는 초기 서비스에서는 이정도만해도 충분하다고 생각한다.
중요한건 추천시스템을 위해 억지로 아무거나 띄우는게 아니라
추천을 통해 유저 본인의 취향을 탐색할 수 있는 구조를 만드는 것이다.
개발자로서 내가 할 일은 유저의 행동을 저장하는 구조를 만들고
단순한 규칙이나 랭킹 아이템 추천으로 시작하는 것
초반에는 큰 모델보다 UX와 로그설계를 통해 점진적으로 고도화를 해야겠다고 생각한다.