(6편) 코스 생성 추천정확도 고도화 여정

??

“추천은 정확해야 의미가 있다.”

문제 상황

초기 FLIK의 코스 생성 알고리즘은 사용자의 카테고리 선호 벡터와 장소 벡터 간의 유사도(cosine similarity) 로만 추천을 수행했다.

하지만 실제 사용 테스트 결과, 다음과 같은 문제가 발생했다.

문제 1️⃣  같은 카테고리의 장소가 과도하게 반복 추천됨  
문제 2️⃣  추천된 장소의 다양성 부족 → 코스 완성도 저하  
문제 3️⃣  최종 코스의 이동 동선 비효율 → 사용자 만족도 하락

📊 문제 진단 (실제 데이터 기준 예시)

10명의 사용자 데이터를 기반으로 Precision@5(Top-5 추천 중 실제로 선호한 비율)를 측정했다.

🚨 Precision@5 = 30% 같은 카테고리 내 과도한 집중 → 장소 다양성 저하 동선 효율성 또한 평균 28km로 비효율적

목표

Precision@5 50% 이상 달성 코스 생성 속도 및 효율 개선

개선 액션 플랜

1️⃣ 실험 설계

• 10가지 페르소나(Persona) 기반으로 100개 테스트 시나리오 구성
• 각 페르소나별 코스 생성 결과를 통계적으로 비교
• A/B 테스트 반복: baseline(기존 알고리즘) vs 개선 알고리즘

2️⃣ 사용자 피드백 루프

“사용자의 행동이 곧 데이터다.”

• 코스 수정·삭제 → 부정 피드백 (-가중치)
• 코스 그대로 사용 → 긍정 피드백 (+가중치)
• 피드백 데이터를 기반으로 벡터 유사도 가중치를 동적 업데이트

가중치 업데이트 수식 예시:
W_new = W_old + α * (positive_feedback - negative_feedback)

3️⃣ 도메인 특화 피처 적용

• 영업시간 필터링: 폐점시간 포함 장소 제외
• 계절성 가중치: 계절별 방문 적합도 적용
• 지리적 접근성 필터링: Haversine 거리 기반 반경 내 검색

개선된 코스 생성 알고리즘

(1) 사용자 선호 벡터 기반 후보 장소 추출
     └── 카테고리별 Top-K (유사도 기반)
(2) 지역 좌표 기반 반경 검색
     └── 10km → 20km → 30km 단계적 확장
(3) Haversine 공식으로 장소 간 거리 계산
     └── 최적 동선 구성 (Greedy or TSP 근사)
(4) 관광 도메인 필터 적용
     └── 영업시간 / 계절 / 접근성
(5) Redis 캐싱 + 사전 계산 추천 후보 활용
     └── 속도 최적화 및 부하 감소

구조 개요 (ASCII 다이어그램)

+----------------------+
| User Saved Data      |
|  - category vectors  |
|  - feedback history  |
+----------+-----------+
           |
           v
+----------------------+
| Recommendation Core  |
|  (Similarity Engine) |
+----------+-----------+
           |
           v
+----------------------+
|   Domain Filters     |
|  (Time, Season, Geo) |
+----------+-----------+
           |
           v
+----------------------+
|   Route Optimizer    |
| (Haversine + Greedy) |
+----------+-----------+
           |
           v
+----------------------+
|  Redis Cache Server  |
| (Precomputed Routes) |
+----------------------+

⚙️ 기술 스택 확장

테스트 시나리오 예시

A/B 테스트 결과 요약

🎉 Precision@5 목표 초과 달성 사용자 체감 속도 35% 향상 동선 효율성 +20% 개선

회고

“추천 정확도를 높이기 위해 벡터 유사도 하나로는 부족하다.”

FLIK의 추천 엔진은 이제 사용자의 피드백, 실제 이동 거리, 시간 제약, 계절성을 종합적으로 고려하는 하이브리드 추천 시스템으로 진화하고 있다.

🔜 7편 예고: “숫자로 증명하다 — 개선 결과 리포트와 시스템 검증”

이 버전은 그대로 GitHub Pages, Velog, Notion, Tistory, Hugo 등 Markdown 블로그에 복붙해도 줄바꿈·테이블·코드·ASCII 구조가 모두 정상 렌더링됩니다.