머신러닝으로 만드는 개인화 추천 시스템
두줄요약
머신러닝으로 개인화 추천 시스템을 설계하는 기본 흐름을 설명했습니다. 실험 환경에서 학습하고 배포 환경에서 pCTR과 CPM으로 광고를 선택하는 구조를 정리했습니다.
핵심 내용
- 개인화 추천 시스템을 머신러닝으로 구성하는 기초 설계 소개
- 실험 환경과 배포 환경으로 나눈 광고 추천 흐름 정리
- 원천 로그 정제, 데이터셋 구성, pCTR 추정, CPM 기반 송출 개념 설명
구조와 흐름
- 원천 로그에서 app_id, bundle, 카테고리, publisher 정보 추출
- 클릭 여부 예측을 위한 학습 데이터셋 구성
- 실험 환경에서 모델 학습과 calibration 수행
- 배포 환경에서 후보 광고 선별 후 pCTR 높은 광고 선택
주의할 점
- 클릭 데이터와 비클릭 데이터의 극단적 불균형
- 샘플링 학습으로 인한 예측 확률 왜곡 가능성
- 실제 데이터 분포와 맞추기 위한 보정 필요
적용해볼 점
- 로그를 모델 입력 형태로 정제하는 파이프라인 설계
- 후보군 생성으로 추론 비용과 시간을 줄이는 방식
- pCTR과 CPM을 활용한 광고 선택 로직


