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.

• LLM을 활용하면 표준화된 태그 시스템이 놓치는 게임의 미세한 '분위기(Vibe)'와 '구조'를 수치화된 벡터로 변환할 수 있다.
• 비정형 텍스트 데이터를 벡터 DB(Chroma)에 저장하고 다단계 파이프라인으로 정제함으로써 추천 시스템의 설명 가능성(Explainability)을 확보했다.
• 협업 필터링의 한계를 극복하기 위해 리뷰 기반의 심층 특징 추출을 사용하면 사용자에게 더 신선하고 개인화된 추천 경험을 제공할 수 있다.