[머신러닝 시스템 설계] 이벤트 추천 시스템 (feat. pointwise LTR, 신경망, mAP)
in DATA on Machine Learning
- 해당 포스팅은 가상 면접 사례로 배우는 가상 면접 사례로 배우는 머신러닝 시스템 설계 기초 책의 내용을 읽고 개인적인 학습 목적 하에 작성된 글입니다.
- 7장(이벤트 추천 시스템) 내용 위주이며, 주관적인 의견도 포함되어있으니 참고만 부탁드립니다.😊
💎 7장: 이벤트 추천 시스템
7장에서는 이벤트브라이트와 유사한 이벤트 추천 시스템을 설계합니다. 이벤트브라이트는 사용자가 이벤트를 생성, 검색 및 등록할 수 있는 인기 있는 이벤트 관리 및 티켓팅 마켓플레이스입니다.
추천 시스템은 경험을 개인화하고 사용자와 관련된 이벤트를 표시합니다.
1️⃣ 요구사항 명확화
해당 시스템은 위치 기반 이벤트 추천 시스템 구축에 초점을 맞추고 있습니다.
- 비즈니스 목표
- 티켓 판매 수 증가
- 가정
- 사용자는 이벤트만 지원 (호텔, 레스토랑 예약 X)
- 이벤트는 한번만 발생한 후 만료되는 임시 단발성 항목
- 이벤트 정보
- 무료, 유료 둘다 지원 가능
- 매월 약 100만 건의 이벤트를 진행하고 있음
- 사용자 수
- 웹사이트 또는 앱을 방문하는 일간 능동 사용자(daily active user, DAU) 수는 100만명
- 이벤트 속성
- 이벤트의 텍스트 설명 / 가격대 / 위치 / 날짜 및 시간
- 데이터
- 수작업으로 라벨링 된 데이터세트는 없음
- 이벤트 및 사용자 상호작용 데이터를 사용하여 학습 데이터세트 구성 가능
- 위치 기반 추천 시스템에 초점을 맞추고 있으므로, 위치 데이터 사용 가능 (위치 파악 및 데이터 공유 ok)
- 즉, 타사 서비스를 사용하여 위치 데이터 얻을 수 있음
- 두 위치 간의 거리와 이동 시간을 효율적으로 계산하는 것이 중요함
- 구글 지도 API나 다른 지도 서비스와 같은 외부 API 사용 가능
- 친구 기능
- 친구 정보는 개인화된 이벤트 추천 시스템을 구축하는데 유용함
- 사용자는 플랫폼에서 친구 관계를 맺을 수 있음
- 친구 관계는 양방향으로 이루어짐
- 초대 기능
- 사용자가 다른 사용자를 이벤트에 초대 가능
- 이벤트에 등록 옵션만 사용할 수 있음
📍 Summary
- 사용자에게 개인화된 이벤트 목록을 표시하는 이벤트 추천 시스템 설계
- 이벤트가 종료되면 사용자는 더이상 이벤트에 등록할 수 없음
- 사용자는 이벤트 등록 외에도 다른 사용자를 이벤트에 초대하고 친구 관계를 형성할 수 있음
- 훈련 데이터는 사용자 상호작용을 통해 온라인으로 구축되어야 함
- 주요 목표 : 전체 티켓 판매 수 증가
2️⃣ 머신러닝 작업으로 문제를 구조화
머신러닝 목표 정의
- 비즈니스 목표 : 티켓 판매를 늘리는 것
- 머신러닝 목표 : 이벤트 등록수를 극대화 하는 것
시스템의 입력 및 출력 지정
- 입력 : 사용자
- 출력 : 사용자와의 관련성에 다라 순위가 매겨진 상위 k개의 이벤트
적합한 머신러닝 유형 선택
추천 문제를 해결하는 방법에는 여러 가지가 있습니다.
- 인기 이벤트 추천과 같은 간단한 규칙
- 콘텐츠 기반 또는 협업 필터링을 사용하는 임베딩 기반 모델
- 랭킹(ranking) 문제로 재구성하기
- pointwise, pairwise, listwise
해당 챕터에서는 작업을 순위 문제로 재구성하고, LTR(Learning to Rank)을 사용하여 해결합니다. LTR은 지도 학습을 적용하여 순위 문제를 해결하는 알고리즘 기법의 하나입니다.
순위 문제는 공식적으로 다음과 같이 정의할 수 있습니다.
쿼리와 항목 목록이 있을 때, 쿼리와 관련성이 가장 높은 항목부터 관련성이 가장 낮은 항목으로 순서를 정하는 최적의 방법은 무엇일까?
일반적으로 pointwise, pairwise, listwise의 세가지 LTR 접근 방식이 있습니다.
⬛ pointwise LRT
각 항목을 검토하고 분류 또는 회귀 방법을 사용하여 쿼리와 항목 간의 관련성을 예측합니다. 한 항목의 점수는 다른 항목과 독립적으로 예측된다는 점을 유의합니다.
- input : 항목, 쿼리
- model : pointwise 순위 모델
- output : 연관성 점수 최종 순위는 예측된 연관성 점수를 정렬하여 결정합니다.
⬛ pairwise LRT
모델이 항목 2개를 가져와서 어떤 항목이 쿼리와 더 관련성이 높은지 예측합니다.
- input : <항목 x, 항목 y>, 쿼리
- model : pairwise 순위 모델
- output : 항목 y > 항목 x 가장 많이 사용되는 pairwise LTR 알고리즘은 RankNet, LambdaRank, LambdaMART가 있습니다.
⬛ listwise LRT
쿼리가 주어졌을 때 전체 항목 목록에서 최적의 순서를 예측합니다.
- input : <항목 1, 항목 2, …, 항목 N>, 쿼리
- model : listwise 순위 모델
- output : 항목 5>항목 2>…>항목 8 인기 있는 listwise LRT 알고리즘은 SoftRank, ListNet, AdaRank가 있습니다.
일반적으로 pairwise 방식과 listwise 방식이 더 정확한 결과를 만들어 내지만, 구현 및 훈련은 더 어렵습니다.
이 문제는 간단하게 진행하기 위해 pointwise 접근법을 사용합니다.
- 이진 분류 모델 사용
- 한 번에 하나의 이벤트를 가져와서 사용자가 등록할 확률을 예측
- input : 사용자, 이벤트
- output : 이벤트 등록 확률
3️⃣ 데이터 준비
데이터 엔지니어링
이벤트 관리 플랫폼은 주로 사용자와 이벤트에 중점을 둬서 다음과 같은 데이터를 사용할 수 있다고 가정합니다.
- 사용자
- 이벤트
- 친구 관계
- 상호작용
⬛ 사용자
사용자 데이터 스키마는 다음과 같습니다.
- ID / Username / Age / Gender / City / Country / Language / Time zone
⬛ 이벤트
이벤트 데이터는 다음과 같습니다.
- ID / 호스트 사용자 ID / 범주&하위범주 / 설명 / 가격 / 위치 / 날짜&시간
⬛ 사용자
각 행은 두 사용자의 친구 관계가 형성된 시점을 타임스탬프로 보여 줍니다.
- 사용자 ID 1 / 사용자 ID 2 / 친구 관계가 형성된 타임스탬프
⬛ 상호작용
이벤트 등록, 초대 및 노출수와 같은 사용자 상호작용 데이터가 저장되어 있습니다.
- 사용자 ID / 이벤트 ID / 상호작용 유형 / 상호작용 값 / 위치(위도, 경도) / 타임스탬프
피처 엔지니어링
이벤트 기반 추천은 기존 추천보다 더 까다롭습니다. 이벤트는 영화나 책과는 근본적으로 다르며, 이벤트가 끝난 후에는 더이상 등록 요청이 생기지 않습니다.
이벤트는 일반적으로 수명이 짧기 때문에 이벤트가 생성된 후 종료될 때까지의 시간이 짧아서, 특정 이벤트에 대해 사용할 수 있는 과거 상호작용 데이터가 많지 않습니다.
→ 이런 이유로 이벤트 기반 추천은 본질적으로 콜드 스타트이며, 지속적으로 ‘신제품 문제’를 겪습니다.
이러한 문제를 극복하기 위해 피처 엔지니어링에 노력을 기울여 의미 있는 피처를 가능한 많이 만드는 것이 중요합니다.
- 위치 관련 피처
- 시간 관련 피처
- 소셜 관련 피처
- 사용자 관련 피처
- 이벤트 관련 피처
⬛ 위치 관련 피처
📍 이벤트 위치의 접근성은 어느 정도인지
이벤트 장소의 접근성은 중요한 요소이기 때문에, 접근성을 파악하기 위한 피처를 만들어야 합니다.
예시 : 이벤트가 대중교통에서 멀리 덜어진 언덕 높은 곳에 있는 경우는 이동 시간 때문에 사용자가 이벤트에 참석하지 않을 수 있음
📌 도보 점수
- 0~100사이의 숫자로, 주변 편의 시설까지의 거리를 기준으로 해당 위치까지 얼마나 편하게 이동할 수 있는지 측정함
- 편의 시설까지의 거리, 보행자 친화성, 인구 밀도 등 다양한 요소를 분석하여 계산함
- 구글 지도 등의 외부 데이터 소스에서 얻을 수 있다고 가정함
- 도보 점수를 5가지 범주로 버킷화하여 보여줌
📌 도보 점수 유사도
- 이벤트의 도보 점수와 사용자가 등록한 이전 이벤트의 평균 도보 점수의 차이
📌 그 외 점수
- 대중교통 점수, 대중교통 점수 유사성, 자전거 점수, 자전거 점수 유사성
📍 이벤트가 사용자와 같은 국가 및 도시에서 진행되는지
사용자에게 매우 중요한 결정 요소는 현재 있는 국가와 도시에서 이벤트가 열리는지 여부입니다. 여기서는 2가지 피처를 생성할 수 있습니다.
- 사용자의 국가가 이벤트하는 국가과 동일한 경우
- 동일할 때 1, 그렇지 않은 경우는 0
- 사용자의 도시가 이벤트하는 도시와 동일한 경우
- 동일할 때 1, 그렇지 않은 경우는 0
- 동일할 때 1, 그렇지 않은 경우는 0
📍 사용자가 거리에 불편함을 느끼지는 않는지
일부 사용자는 자신의 위치에서 가까운 이벤트를 선호하는 반면, 다른 사용자는 멀리 떨어진 이벤트를 선호할 수 있습니다.
- 사용자 위치와 이벤트 위치 사이의 거리
- 외부 API에서 가져와서 몇가지 범주로 버킷화할 수 있음
- ex) 0: 1마일 미만 / 1: 1~마일 / … / 5: 100마일 이상
- 거리유사도
- 이벤트까지의 거리와 사용자가 이전에 등록한 이벤트와의 평균거리(실제로는 중앙값 또는 백분위수 범위 사용 가능)의 차이
- 이벤트까지의 거리와 사용자가 이전에 등록한 이벤트와의 평균거리(실제로는 중앙값 또는 백분위수 범위 사용 가능)의 차이
⬛ 시간 관련 피처
📍 이벤트까지 남은 시간이 충분한지
사용자마자 이벤트를 계획하는 시간이 다르기 때문에, 이를 포착하기 위한 피처가 필요합니다. 📌 이벤트 시작까지 남은 시간
📌 남은 시간 유사도
📌 사용자 위치에서 이벤트 위치까지의 예상 이동 시간
📌 예상 이동 시간 유사도
📍 날짜와 시간이 사용자에게 편리한지
사용자마다 선호하는 이벤트 요일/시간대가 다를 것입니다. (주말/평일, 오전/저녁 등)
요일 및 시간에 대한 사용자의 과거 선호도를 파악하기 위해 사용자 프로필을 만들어서, 요일 및 시간별 유사도를 추가할 수 있습니다.
⬛ 소셜 관련 피처
📍 이 이벤트에는 몇 명이 참석하는지
일반적으로 다른 참석자가 많으면 사용자가 이벤트에 등록할 가능성이 더 높습니다.
- 이 이벤트에 등록한 사용자 수
- 노출수 대비 전체 등록 사용자 수 비율
- 등록된 사용자 유사도 : 해당 이벤트의 등록 사용자 수와 이전에 등록된 이벤트의 차이
📍 친구의 참석과 관련된 피처
친구가 참석하는 경우 사용자가 이벤트에 등록할 가능성이 더 높습니다.
- 이 이벤트에 등록한 사용자의 친구 수
- 전체 친구 대비 등록한 친구 수 비율
- 등록한 친구 유사도: 해당 이벤트에 등록된 친구 수와 이전에 등록된 이벤트의 친구 수의 차이
📍 다른 사람이 사용자를 초대했는지
사용자는 초대받은 이벤트에 참석할 가능성이 더 높습니다.
- 이 사용자를 이벤트에 초대한 친구 수
- 이 사용자를 이벤트에 초대한 동료 사용자 수
📍 이벤트 호스트가 사용자의 친구인지
사용자는 친구가 만든 이벤트에 참석하는 경향이 있습니다.
- binary 피처 생성 : 이벤트 호스트가 사용자의 친구인 경우 1이고, 그렇지 않은 경우는 0
📍 이 호스트가 이전에 만든 이벤트에 사용자가 얼마나 자주 참석했는지
특정 호스트가 만드는 이벤트에 관심이 있는 사용자도 있습니다.
⬛ 사용자 관련 피처
📍 연령 및 성별
일부 이벤트는 특정 연령과 성별을 대상으로 합니다.
‘기술 분야 여성’, ‘20대에 성공하기 위한 인생 교훈’은 특정 인구 통계학적 그룹에 특화된 이벤트의 예시
- 원-핫 인코딩으로 인코딩된 사용자 성별
- 사용자의 연령, 여러 범주로 버킷화하고 원-핫 인코딩함
⬛ 이벤트 관련 피처
📍 이벤트 가격
이벤트 가격은 사용자가 이벤트 등록을 결정하는 데 영향을 미칠 수 있습니다.
- 이벤트 가격을 몇가지 범주로 버킷화
- ex) 0: 무료 / 1: $1~$99 / … / 4: $2,000 이상
- 가격 유사도
- 해당 이벤트의 가격과 사용자가 이전에 등록한 이벤트의 평균 가격 차이
- 해당 이벤트의 가격과 사용자가 이전에 등록한 이벤트의 평균 가격 차이
📍 이 이벤트의 설명이 이전에 등록된 설명과 얼마나 유사한지
이것은 이전에 등록된 이벤트를 기반으로 사용자의 관심사를 나타냅니다.
이를 파악하기 위해 이벤트 설명과 사용자가 이전에 등록한 이벤트 설명 간의 유사성을 나타내는 피처를 만듭니다.
- 유사도를 계산하기 위해 TF-ID를 사용하여 설명을 숫자 벡터로 변환
- 코사인 거리르 사용하여 유사도를 계산
위의 예시 외에도 실제로 생성할 수 있는 예측 피처는 매우 많습니다. 관련하여 추가적으로 더 논의할 부분도 존재합니다. 📣 잠재적인 대화 주제들
4️⃣ 모델 개발
모델 선택
이진 분류 문제는 다양한 머신러닝 방법으로 해결할 수 있습니다.
이벤트 추천 시스템에는 다음과 같은 특징이 있기 때문에, 아래의 다양한 머신러닝 방법들이 적합한지 여부를 보고자 합니다.
- 결과와 선형적인 상관관계가 없는 피처들 존재 (복잡한 관계)
- 새로운 데이터에 맞게 모델을 조정하기 위해 지속적인 학습 필요
⬛ 로지스틱 회귀
입력 피처의 수가 매우 많을 경우 목표 변수(binary result)와 복잡하고 비선형적인 관계를 갖는 경우가 많습니다. 그렇기 때문에 로지스틱 회귀는 이러한 복잡성은 학습하기 어려울 수 있습니다. 🔨 장단점
⬛ 의사 결정 트리
DT는 예측을 위해 의사 결정과 그에 따른 가능한 결과를 나타내는 트리 모델을 사용하는 또 다른 학습 방법입니다. DT의 민감도를 낮추기 위해 배깅과 부스팅이 많이 쓰이고 있습니다. 🔨 장단점 & 배깅/부스팅
⬛ 그레디언트 부스트 결정 트리(GBDT)
DT를 개선하기 위해 GB를 활용하는 트리 기반 모델입니다. GBDT의 가장 큰 단점은 지속적인 학습에 적합하지 않다는 점입니다.
이벤트 추천 시스템에서는 최근 사용자 상호작용, 등록, 새로운 이벤트, 심지어 신규 사용자 등 새로운 데이터가 지속적으로 시스템에 입력됩니다. 좋은 이벤트 추천 시스템을 위해서는 새로운 데이터에 지속적으로 적응하는 것이 중요합니다.
지속적인 학습이 불가능하다면, GBDT를 처음부터 다시 정기적으로 재학습시키는 데 큰 비용이 필요합니다. 🔨 장단점
⬛ 신경망
신경망은 이벤트 추천 시스템의 문제(비선형 관계, 지속적인 학습 필요)를 해결하는 데 적합합니다.
- 비선형적 의사 결정 경계가 있는 복잡한 작업 학습 가능
- 새로운 데이터를 매우 쉽게 미세 조정할 수 있어 지속적인 학습에 이상적임
🔨 장단점
- 장점
- 지속적인 학습
- 비정형 데이터와 잘 작동
- 표현력 : 학습 매개변수의 수가 많기 때무넹 표현력이 뛰어남
- 매우 복잡한 작업과 비선형적인 의사 결정 경계를 학습할 수 있음
- 단점
- 훈련하는 데 계산 비용이 많이 들어감
- 입력 데이터의 품질이 결과에 큰 영향을 미침
- 정규화, 로그 스케일링, 원-핫 인코딩 등과 같은 데이터 준비 필수
- 대규모 하긋ㅂ 데이터 필요
- 블랙박스 특성
- 입력 피처가 여러 계층의 비선형 변환을 거치기 때문에 각 피처가 결과에 미치는 영향을 파악하기 쉽지 않음
⬛ 어떤 모델을 선택해야 하는지
어떤 모델이 가장 적합한지 결정하기 위해서는 대부분 여러 가지 모델을 실험해야하며, 다양한 요소에 따라 적합한 모델을 선택할 있습니다.
- 작업의 복잡성
- 데이터 배포 및 데이터 유형
- 교육 비용, 속도, 모델 크기 등과 같은 제품 요구사항 또는 제약 조건
이 문제에서는 GBDT와 신경망 모두 실험에 적합한 후보입니다.
- 구현과 훈련이 빠른 GBDT 변형인 XGBoost로 시작하여, 이 결과를 초기 기준선으로 사용
- 기준선이 정해지면 신경망으로 더 나은 모델을 구축할 수 있는 가능성 타진
다음과 같은 이유로 이 방법에서는 신경망이 적절한 방식이라고 생각합니다.
- 시스템에서 방대한 훈련 데이터를 사용할 수 있음
- 사용자는 시스템과 지속적으로 상호작용함
- 사용자 수를 고려하면, 이는 훈련에 사용할 수 있는 방대한 양의 데이터가 생성됨
- 비선형 데이터 학습 가능
- 데이터는 선형적으로 분리되지 않을 수 있음
신경망 아키텍처를 설계할 때는 은닉 계층의 수, 각 계층의 뉴런, 활성화 함수 등 여러 가지 하이퍼파라미터를 고려해야 합니다.
모델 훈련
⬛ 데이터세트 구성
훈련 및 평가 데이터세트의구축은 모델 개발의 필수 단계입니다. 피처와 그 라벨을 계산하는 방법을 보겠습니다.
단일 데이터 포인트를 구성하기 위해 상호작용 데이터 에서 <사용자, 이벤트> 쌍을 추출하고 이 쌍으로부터 입력 피처를 계산합니다. 그런 다음 사용자가 이벤트에 등록한 경우 데이터 포인트에 1을, 등록하지 않은 경우 0을 라벨로 지정합니다.
데이터를 구성한 후 클래스 불균형 문제가 발생할 수 있습니다. 그 이유는 사용자가 하나의 이벤트에 등록하기 전에 수십, 수백 개의 이벤트를 검색할 수 있기 때문입니다.
→ negative <사용자, 이벤트> 쌍의 수가 positive 데이터 포인트보다 훨씬 더 많음
클래스 불균형 문제를 해결하기 위해 다음 기법 중 하나를 사용할 수 있습니다.
- 초점 손실(focal loss) 또는 클래스 균형 손실(class-balanced loss)을 사용하여 분류기(classifier) 훈련
- 다수 클래스 언더 샘플링
⬛ 손실 함수 선택
이진 분류 모델이므로 이진 크로스 엔트로피(binary cross-entropy)와 같은 일반적인 분류 손실 함수를 사용하여 신경망 모델을 최적화 합니다.
→ P(예측) - 이진 크로스 엔트로피 - G(ground truth 레벨)
5️⃣ 평가
오프라인 지표
순위 시스템을 평가하기 위해 다음 옵션을 고려합니다.
- recall@k 또는 precision@k
- 출력의 순위 품질을 고려하지 않기 때문에 적합하지 않음
- MRR, nDCG 또는 mAP
- 순위 품질을 측정하는 일반적으로 사용됨
이벤트는 관련성이 있거나(등록한 경우) 관련성이 없는(보았지만 등록하지 않은) 경우가 많으므로, mAP가 더 적합합니다.
📍 MRR
MRR은 목록에서 첫번째 관련 항목의 순위에 초점을 맞추므로, 관련 항목이 한 개로 예상되는 시스템에 적합합니다. 하지만 이벤트 추천 시스템에서는 여러개의 추천 이벤트가 사용자와 관련이 있을 수 있으므로, MRR은 적합하지 않습니다.
📍 nDCG
사용자와 항목 간의 연관성 점수가 이진 형태가 아닌 경우 잘 작동합니다.
📍 mAP
연관성 점수가 이진 형태일 때만 작동합니다.
온라인 지표
이때 비즈니스 목표는 티켓 판매를 늘려 수익을 늘리는 것입니다. 시스템이 매출에 미치는 영향을 측정하기 위해 다음 지표를 살펴보겠습니다.
- 클릭률
- 전환율
- 북마크 비율
- 수익 증가율
⬛ 클릭률
추천 이벤트를 본 사용자가 이벤트를 클릭하는 빈도를 보여주는 비율입니다.
- 클릭률 = (클릭 이벤트 총수)/(노출 총수)
클릭률이 높다는건 시스템이 사용자가 클릭하는 이벤트를 잘 추천한다는 것을 의미합니다. 클릭 수가 많으면 일반적으로 더 많은 이벤트에 등록하기 때문입니다.
하지만 이상적으로 추천 이벤트가 사용자에게 얼마나 관련성이 있는지를 측정하는 것이 중요하며, 이는 전환율입니다.
⬛ 전환율
추천 이벤트를 본 사용자가 해당 이벤트에 등록하는 빈도를 나타내는 비율입니다.
- 전환율 = (이벤트 등록 총수)/(노출 총수)
전환율이 높다는 것은 사용자가 추천 이벤트에 더 자주 등록한다는 것을 의미합니다.
⬛ 북마크 비율
사용자가 추천 이벤트를 북마크하는 빈도를 나타내는 비율입니다.
⬛ 수익 증가율
이벤트 추천으로 인한 수익 증가율입니다.
6️⃣ [서빙] 배포 및 서비스 제공
요청을 처리하는 데 사용할 수 있는 머신러닝 시스템 설계가 필요하며, 두 가지 주요 파이프라인이 있습니다.
- 온라인 학습 파이프라인
- 예측 파이프라인
온라인 학습 파이프라인
데이터 소스>데이터셋 구축>훈련데이터셋>train>훈련된 머신러닝 모델(>모델 저장소)>test>배포
이벤트 추천은 본질적으로 콜드 스타트 방식이며, 지속적으로 새로운 항목이 추가되는 문제가 있습니다. 따라서 새로운 데이터에 적응하기 위해 모델을 계속 미세 조정해야 합니다.
온라인 학습 파이프라인은 새로운 데이터를 통합하여 새로운 모델을 지속적으로 학습시키고, 학습된 모델을 평가하고, 배포하는 역할을 담당합니다.
예측 파이프라인
예측 파이프라인은 특정 사용자와 가장 관련성이 높은 상위 k개의 이벤트를 예측하는 역할을 담당합니다.
예측 파이프라인의 가장 중요한 몇 가지 구성요소는 다음과 같습니다.
⬛ 이벤트 필터링
쿼리 사용자>이벤트 필터링>후보 이벤트 이벤트 필터링 컴포넌트는 쿼리 사용자를 입력으로 받아 이벤트의 범위를 100만개에서 이벤트의 작은 하위 집합으로 좁힙니다. 이는 이벤트 위치 또는 기타 유형의 사용자 필터와 같은 간단한 규칙을 기반으로 합니다.
- ex) ‘콘서트만` 필터를 추가하면 컨포넌트는 후보 이벤트의 하위 집합으로 목록을 좁힘
수백만 개의 이벤트에서 수백 개의 후보 이벤트로 검색 공간을 크게 줄이는 데 사용할 수 있습니다.
⬛ 순위 서비스
필터링 컴포넌트가 생성하 ㄴ사용자 및 후보 이벤트를 입력으로 받아 각 <사용자, 이벤트> 쌍에 대한 피처를 계산하고 모델에서 예측한 확률에 따라 이벤트를 정렬한 후 사용자에게 가장 관련성이 높은 상위 k개 이벤트의 순위 목록을 출력합니다.
순위 서비스는 모델이 기대하는 피처를 계산하는 피처 계산 컴포넌트와 상호작용합니다.
- 정적 피처 : 피처 저장소에서 가져옴
- 동적 피처 : 원시 데이터에서 실시간으로 계산하여 사용
🙄 논의 주제
면접에서 언급하기 좋은 주제들입니다. 📣 논의 주제들
✍🏻 Summary
🔜 Think
처음 접하는 내용들이 많아서 생소하여 흐름을 따라가는데 쉽지 않았는데요!😱
사용자에게 추천 기능을 제공하기 위해서는 어떤 내용들이 구성 되는지를 파악할 수 있어서 좋았습니다. 두번 세번 읽어보면서 흐름을 익혀야겠습니다!
