
[DAN 24] 검색과 피드의 만남: LLM으로 완성하는 초개인화 서비스 ③ 사용자 관심 주제 추출
홈피드 추천 고도화를 위해 LLM으로 사용자 관심 주제를 세분화하는 분류기와 선호도 추출 방식을 소개했습니다. 데이터 증강과 지식 증류, 가이드 생성으로 안정성과 클릭률 개선 효과를 확인했습니다.

홈피드 추천 고도화를 위해 LLM으로 사용자 관심 주제를 세분화하는 분류기와 선호도 추출 방식을 소개했습니다. 데이터 증강과 지식 증류, 가이드 생성으로 안정성과 클릭률 개선 효과를 확인했습니다.


OpenSearch Anomaly Detection으로 시계열 이상 탐지와 Slack 알림 설정 과정을 정리했습니다.\nDetector, Monitor, 조건 쿼리까지 단계별 예시를 통해 실무 적용 방법을 설명했습니다.


여기어때가 검색 결과 없음(NR)을 줄이기 위해 오타 교정과 주변 추천, 시멘틱 검색을 단계적으로 적용한 과정을 소개했습니다. 키워드 기반 보강과 GCP AI 검색 실험으로 NR 비중을 낮춘 사례를 공유했습니다.

검색 키워드 분석과 사전 관리를 더 쉽게 보기 위한 관리자 페이지 개선 사례를 다뤘습니다. 분석 흐름도와 세부 결과를 시각화해 운영과 커뮤니케이션 편의성을 높였습니다.

LLM으로 연관성 점수와 랭킹 레이블을 생성해 검색 결과에 최신성을 반영한 RRA-T 개선 사례를 다뤘습니다. 사용자 클릭 로그와 하이퍼파라미터 튜닝을 통해 최신 문서 노출과 검색 품질의 균형을 맞췄습니다.

롱테일 질의의 검색 랭킹을 개선하기 위해 LLM의 재순위화 능력을 경량 랭커로 이식한 방법을 다루었습니다. 정답 데이터셋 구축과 지식 증류로 성능과 추론 효율을 함께 확보했습니다.

인도 남북 유저를 대상으로 대출앱 용어 이해도 리서치를 진행한 사례를 정리했습니다.재대출 경험만으로 이해를 가정하지 말아야 하며, 지역별 언어 환경까지 고려한 리서치가 필요하다고 보았습니다.


Qdrant의 Collection, Point, CRUD, 검색 기능을 영화 추천 예시로 설명했습니다. 벡터 검색과 필터, Scroll로 유사 영화 추천과 대용량 탐색을 다루었습니다.

네이버는 서치피드 SURF로 검색을 결과 나열이 아닌 연속적 탐색 경험으로 확장했습니다. LLM 기반 임베딩, 맥락텍스트, 실시간 피드백으로 개인화와 최신성을 함께 강화했습니다.

캐치테이블의 비전, 서비스 역할, 기업 문화를 소개한 기업 분석 글입니다. 기술 혁신과 고객 중심 사고를 중시하는 인재상도 함께 정리했습니다.


에이닷의 Push 알림을 유저 행동 데이터로 분석해 개인화와 발송 빈도의 중요성을 확인했습니다. 클릭률과 피로도를 함께 고려한 Push Utility 기반 최적화 방향도 제안했습니다.


고객의 재탐색 행동 데이터를 바탕으로 검색 결과 페이지의 날짜 변경 흐름을 단순화했습니다. 진입점을 분리하고 모듈을 바로 열리게 해 탐색 편의성을 높였습니다.