FLIK: 여행코스 추천 서비스 개발기 - (백엔드 5편)

임베딩 프로세스 설계와 Postgres 벡터 저장 구조

목표

사용자가 장소(Spot)를 저장할 때, 그 장소의 설명(description) 을 OpenAI 모델로 분석하고,
핵심 키워드를 추출한 뒤 이를 벡터 임베딩(Embedding) 으로 변환하여
PostgreSQL DB에 저장하는 전체 프로세스를 설계한다.

시스템 개요

“사용자가 저장한 장소를 시스템이 ‘이해’하는 과정”

[User Action]
  ↓
(1) Spot 저장 요청
  ↓
(2) description 텍스트 분석 (LLM)
  ↓
(3) 키워드 추출
  ↓
(4) Embedding API 호출
  ↓
(5) 임베딩 벡터 생성
  ↓
(6) PostgreSQL에 벡터 저장

임베딩 프로세스 상세

➊ 키워드 추출 단계 — OpenAI LLM

["자연", "한적함", "호수뷰", "산책", "가족여행"]

예시 프롬프트:

당신은 텍스트 요약 전문가입니다.
다음 관광지 설명에서 핵심적인 의미를 대표하는 키워드 3~8개를 추출하세요.
출력은 JSON 배열 형식으로만 반환하세요.

설명:
"맑은 호수와 산책로가 매력적인 도심 속 자연 명소입니다.
가족 단위로 방문이 많으며, 조용한 분위기 속 힐링이 가능합니다."

➋ 임베딩 벡터 생성 — OpenAI Embedding API

예시:

{
  "embedding": [0.0123, -0.0045, 0.0098, ...]
}

➌ 데이터 저장 — PostgreSQL + pgvector

FLIK에서는 MariaDB가 주요 트랜잭션 DB이지만, 벡터 검색 최적화를 위해 PostgreSQL (pgvector 확장) 을 별도 구성한다.

💡 PostgreSQL의 pgvector는 OpenAI 임베딩 모델과 완벽 호환된다.

CREATE TABLE spot_embeddings (
    id BIGSERIAL PRIMARY KEY,
    spot_id BIGINT NOT NULL,
    keywords TEXT[],
    embedding VECTOR(1536),
    created_at TIMESTAMP DEFAULT NOW(),
    FOREIGN KEY (spot_id) REFERENCES spots(id)
);

전체 데이터 플로우

[1] UserSavedSpotEventListener
     └── spot 저장 이벤트 수신
         └── LLMKeywordExtractor.extractKeywords(description)
              └── ["자연", "산책", "가족여행"]
         └── EmbeddingService.createEmbedding(keywords)
              └── [0.0123, -0.0045, ...]
         └── SpotEmbeddingRepository.save(spot_id, keywords, embedding)

서비스 코드 구조 예시

@Service
@RequiredArgsConstructor
public class SpotEmbeddingService {

    private final LLMKeywordExtractor llmKeywordExtractor;
    private final EmbeddingClient embeddingClient;
    private final SpotEmbeddingRepository spotEmbeddingRepository;

    @Async
    public void processEmbedding(Spot spot) {
        // 1. 키워드 추출
        List<String> keywords = llmKeywordExtractor.extractKeywords(spot.getDescription());

        // 2. 벡터 임베딩 생성
        List<Double> vector = embeddingClient.embed(String.join(" ", keywords));

        // 3. PostgreSQL 저장
        spotEmbeddingRepository.save(spot.getId(), keywords, vector);
    }
}

Repository 예시

@Repository
@RequiredArgsConstructor
public class SpotEmbeddingRepository {

    private final JdbcTemplate jdbcTemplate;

    public void save(Long spotId, List<String> keywords, List<Double> embedding) {
        String sql = "INSERT INTO spot_embeddings (spot_id, keywords, embedding) VALUES (?, ?, ?)";
        jdbcTemplate.update(sql, spotId, keywords.toArray(new String[0]), embedding.toArray(new Double[0]));
    }
}

왜 PostgreSQL을 선택했나

기준 MariaDB PostgreSQL (pgvector)
트랜잭션 처리 ✔ 우수 ✔ 우수
벡터 유사도 검색 ✘ 미지원 ✔ 지원
OpenAI 임베딩 호환성 낮음 매우 높음
확장성 높음 높음
운영 편의성 익숙함 다소 복잡

결론: 트랜잭션 로직은 MariaDB, 임베딩 및 추천 관련 연산은 PostgreSQL로 역할 분리 (CQRS-like 구조)

향후 확장 포인트

🔜 6편 예고: “나와 비슷한 여행자는 누구일까 — 사용자 임베딩과 추천 매칭 로직”