LLM과 벡터 DB를 활용한 개인화된 스팀 게임 추천 시스템 구축기

작성자의 열정적인 프로젝트에 대해 긍정적인 반응이 많으며, 특히 추천 이유를 설명해 주는 방식에 대해 흥미를 보이고 있습니다.

• 유사한 추천 시스템을 만들 때 LLM이 생성한 다양한 표현들을 하나로 묶어주는 정규화 파이프라인(6단계 과정 등)을 반드시 고려해야 한다.
• 벡터 DB와 관계형 DB(PostgreSQL)를 함께 사용하여 메타데이터와 벡터 검색의 장점을 모두 활용하라.

협업 필터링(Collaborative Filtering)

— 많은 사용자로부터 얻은 기호 정보를 기반으로 사용자들의 관심사를 예측하는 방법이다. 사용자의 과거 행동 데이터가 부족한 신규 항목을 추천하기 어렵거나 인기 있는 항목 위주로 추천되는 '필터 버블' 현상이 발생할 수 있다.

벡터 표현(Vector Representation)

— 데이터의 특징을 다차원 공간의 수치 배열로 변환하여 컴퓨터가 이해할 수 있게 만드는 방식이다. 이 프로젝트에서는 게임의 특징(예: 낮 밤 주기, 던전 탐험)을 백분율 기반의 벡터로 수치화하여 유사도를 계산하는 데 사용했다.

비정형 태깅(Non-canonical Tagging)

— 표준화된 분류 체계에 얽매이지 않고 LLM을 통해 자유롭고 구체적인 키워드를 생성하는 기법이다. '액션' 같은 광범위한 단어 대신 '재즈 퓨전 음악', '시골 마을 분위기'처럼 게임의 고유한 개성을 포착하는 데 유리하다.