Orbitics 주식회사 데이터 사이언스부의 우에노입니다.

본 기사에서는 개인화된 경험의 핵심인 **추천 기술 (Recommendation Technology)**이 어떻게 진화해 왔는지 역사적인 흐름과 함께 개관하고, 현대(2025년 시점)의 주요 기술 카테고리를 소개합니다.

EC 사이트나 콘텐츠 플랫폼에서 사용자에게 최적의 상품이나 정보를 제시하는 **추천 시스템 (Recommendation System)**은 고객 경험의 향상과 비즈니스 성과에 필수적인 요소가 되고 있습니다.

본 기사에서는 추천 기술에 대한 조망적인 이해를 깊게 하는 것을 목적으로, 약 25년에 걸친 역사적인 기술의 변천을 정리함과 동시에, Deep Learning이나 Transformer, 그리고 LLM을 활용한 현대의 주요 알고리즘에 대해 해설합니다. 또한, 그러한 최신 기술의 구현 접근 방식에 대해서도 다룹니다.

추천 기술은 고전적인 수법에서 Deep Learning, 그리고 LLM(대규모 언어 모델)을 활용한 최첨단 접근 방식으로 약 25년 동안 극적인 진화를 이루어 왔습니다. 특히 2015년 이후, Deep Learning의 응용이 진행되면서 정밀도가 비약적으로 향상되었습니다.

2025년도에 알려져 있는 추천 기술은 다음과 같은 8가지 카테고리로 분류됩니다.

시계열 모델링 형에서 중심적인 역할을 담당하는 Transformer는, 기존의 RNN과 비교하여 Self-Attention을 통한 병렬 처리나 장기 의존 관계(long-term dependency)를 다루기 쉽다는 구조적 이점이 여러 원저 논문에서 보고되었습니다 ([2][3]). 특히 SASRec나 BERT4Rec과 같은 모델은 사용자 행동 간의 관계를 더욱 유연하게 학습할 수 있다는 점이 특징입니다.

한편, RNN 계열 기법(특히 GRU4Rec)도 기울기 소실(vanishing gradient) 문제에 대한 대책이 마련되어 있으며, 최근 행동에 강한 귀납적 편향(inductive bias)을 가지기 때문에 특정 데이터셋에서는 여전히 강력합니다 ([4]). 하지만 계산 효율(병렬화)이나 더 긴 시퀀스의 문맥 이해 측면에서는 Transformer가 우세합니다.

이하에서는 두 접근 방식의 구조적 차이를 정리합니다.

이러한 Transformer 기반 모델(SASRec나 BERT4Rec 등)은 매우 강력하지만, 스크래치(from scratch)로 구현하여 추론 API로서 저지연(low latency)으로 운용하는 것은 허들이 높다는 것이 실정입니다.

학습 데이터 파이프라인 구축, GPU 리소스 관리, 그리고 실시간 추론 기반 정비 등 MLOps의 부담이 커지기 때문입니다.

이에 따라 최근에는 이러한 최신 알고리즘을 내포한 **매니지드 서비스 (Managed Service)**의 활용이 진행되고 있습니다. 예를 들어, Amazon Personalize의 최신 레시피인 aws-user-personalization-v2에서는 Transformer 기반 아키텍처가 채택되어 있어, 인프라 관리 없이도 SOTA (State of the Art)에 가까운 모델을 이용할 수 있게 되었습니다.

본 기사를 통해 다음과 같은 지견을 얻을 수 있었습니다.

• 추천 기술의 역사와 종류를 조망적으로 이해할 수 있었습니다. 고전적인 협업 필터링 (Collaborative Filtering)부터, 딥러닝 (Deep Learning)을 활용한 하이브리드형 (Neural CF 등), 그리고 Transformer를 핵심으로 하는 시계열 모델링 (Time-series Modeling), 나아가 LLM 활용으로 진화하고 있습니다.
• 구현의 선택지로서, 반드시 스크래치 (Scratch) 개발만이 정답은 아닙니다. Amazon Personalize와 같은 매니지드 서비스 (Managed Service)는 Amazon의 EC 사이트에서 쌓아온 지식과 Transformer 등의 **첨단 알고리즘 (Advanced Algorithm)**을 이미 구현하여 제공하고 있습니다.
• 차별화 요인이 알고리즘의 독자성에 있는 경우에는 자체 개발을, 속도와 운영 안정성을 중시하는 경우에는 매니지드 서비스를 선택하는 식의 구분(使い分け)이 현대의 데이터 사이언스 (Data Science) 팀에게 요구되고 있습니다.

추천 기술은 사용자 경험의 향상과 비즈니스 성과에 직결되는 중요한 영역입니다. 앞으로도 알고리즘의 진화가 예상되므로, 최신 기술의 동향을 주시하며 적절한 구현 수단을 선택해 나가는 것이 중요합니다.

[1]: Amazon Personalize의 새로운 레시피로 더 대규모의 상품 카탈로그를 저지연 (Low Latency)으로 이용 가능하게 함 [출처]

[2]: Vaswani et al., “Attention Is All You Need”, NeurIPS, 2017 [출처]

[3]: Kang & McAuley, “Self-Attentive Sequential Recommendation (SASRec)”, ICDM, 2018 [출처]

[4]: Hidasi et al., “Session-based Recommendations with Recurrent Neural Networks (GRU4Rec)”, ICLR, 2016 [출처]

[5]: Sun et al., “BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations”, CIKM, 2019 [출처]

Orbitics 주식회사는 본 기사에서 소개한 것과 같은 기술 영역 (데이터 분석 · 머신러닝 · MLOps · LLM · RAG · AI 에이전트 등)에 진심으로 임하고 싶은 데이터 사이언티스트를 모집하고 있습니다.

관심이 있으신 분은 저희 회사 홈페이지를 꼭 확인해 주시기 바랍니다.