추천 시스템
Recommendation System
추천 시스템은 사용자, 상품, 맥락 데이터를 이용해 많은 후보 가운데 노출할 상품이나 콘텐츠를 선택하고 순서를 정하는 시스템입니다. 광고 집행 여부와는 별개입니다.
AI 보조 조사·작성 후 원문과 대조한 설명입니다. 사례·계산은 별도 출처 표기가 없는 한 이해를 위한 가상 예시이며 실제 고객 성과가 아닙니다.
추천 결과는 어떻게 만들어지나요?
대규모 카탈로그를 한 번에 정밀 계산하기보다 여러 단계로 줄입니다. 먼저 사용자 이력이나 상품 속성으로 후보를 만들고, 다음 모델이 클릭·구매 가능성 등을 점수화하며, 마지막에 품절과 중복을 제거하고 다양성 및 정책 조건을 반영해 재정렬합니다. Google의 교육 문서는 추천 시스템의 공통 구조를 후보 생성, 점수화, 재정렬로 설명합니다. Google 추천 시스템 개요
개인화와 유사 상품은 무엇이 다른가요?
유사 상품은 현재 보고 있는 상품의 속성만으로도 만들 수 있지만 개인화 추천은 사용자 행동이 필요합니다. 함께 구매 추천은 대체재가 아니라 보완재를 찾는 목적에 가깝고, 최근 본 상품은 과거 행동을 다시 보여주는 목록이지 예측 추천이 아닐 수 있습니다. Google Cloud도 모델별로 필요한 이벤트와 배치 위치, 기본 목표가 다르다고 구분합니다. 커머스 추천 모델
노출 목록을 만드는 예를 봅시다
상품 10만 개에서 카테고리·재고 조건으로 5,000개를 남기고, 협업 필터와 콘텐츠 기반 모델이 후보 500개를 만든다고 가정합니다. 점수화 모델이 20개를 고른 뒤 같은 브랜드 과다 노출과 품절을 제거해 10개를 보여줍니다. 이때 후보 단계에서 빠진 상품은 점수 모델이 아무리 좋아도 노출될 수 없으므로 단계별 재현율과 최종 성과를 따로 봅니다.
클릭률이 높으면 좋은 추천인가요?
목표에 따라 다릅니다. 클릭률 최적화는 호기심을 끄는 상품을 선호할 수 있고, 전환율은 장바구니 행동, 세션 매출은 가격과 구매 확률을 함께 봅니다. 오프라인 정확도가 높아도 실제 화면에서 매출이나 만족도가 오르지 않을 수 있습니다. 무작위 실험으로 증분 효과를 확인하고, 신규 사용자·희소 상품·편향·개인정보 사용 범위를 점검합니다.
추천 로그에는 무엇을 남기나요?
추천 요청 시각, 사용자·세션 식별자, 후보 목록, 모델 점수, 재정렬 사유, 실제 노출·클릭·구매를 연결해 두면 결과가 나빴을 때 후보 생성과 순위화 중 어느 단계가 원인이었는지 되짚을 수 있습니다.
자주 묻는 질문
- 추천 시스템은 모두 개인화되나요?
- 아닙니다. 인기순, 유사 상품, 함께 구매처럼 개인 이력 없이 만드는 추천도 있습니다.
- 추천 상품은 광고인가요?
- 반드시 그렇지 않습니다. 추천은 선택·순위 시스템이고 광고는 비용과 집행 계약이 있는 노출입니다. 둘이 결합될 때는 표시 기준이 필요합니다.
- CTR만 최적화해도 되나요?
- 사업 목표와 사용자 가치에 따라 다릅니다. 구매, 세션 매출, 다양성, 반품과 장기 만족도도 함께 볼 수 있습니다.
출처와 확인 범위
- Recommendation systems overview · Google for Developers · 확인 2026-10-27
대규모 후보에서 후보 생성, 점수화, 재정렬을 거쳐 노출 목록을 만드는 일반 구조를 설명합니다.
확인 범위: 교육용 일반 구조이며 특정 서비스의 실제 알고리즘을 공개하지 않습니다.
- About recommendation models · Google Cloud Documentation · 확인 2026-10-27
유사 상품·함께 구매·개인화·재구매 등 모델이 서로 다른 데이터와 목표를 사용하며 CTR·CVR·세션 매출 목표도 다름을 설명합니다.
확인 범위: Google Cloud 제품의 모델 목록이며 타사 시스템과 동일한 명칭·최적화 방식을 보장하지 않습니다.