--- title: "[AI 101] 추천 시스템 – AI가 당신의 취향을 아는 방법" id: "131" type: "post" slug: "recommendation-system-collaborative-filtering-netflix-youtube" published_at: "2025-11-23T15:01:32+00:00" modified_at: "2026-07-19T10:39:02+00:00" url: "https://doyouknow.kr/recommendation-system-collaborative-filtering-netflix-youtube/" markdown_url: "https://doyouknow.kr/recommendation-system-collaborative-filtering-netflix-youtube.md" excerpt: "추천 시스템 완벽 가이드! 협업 필터링, 콘텐츠 기반 필터링, 행렬 분해, 하이브리드부터 Netflix 시청 40% 단축, YouTube 80% 추천 비율, 딥러닝 임베딩, 신경망 추천 시스템까지. AI가 당신의 취향을 아는 방법." taxonomy_category: - "AI" - "AI 101" taxonomy_post_tag: - "AI 101" - "Collaborative Filtering" - "Content-Based Filtering" - "Embedding" - "Matrix Factorization" - "Netflix" - "YouTube" - "개인화" - "딥러닝" - "신경망" - "임베딩" - "추천시스템" - "콘텐츠기반필터링" - "행렬분해" - "협업필터링" --- ## 핵심 요약 **“Netflix에서 드라마 추천, YouTube에서 영상 추천, Spotify에서 음악 추천받는 이유를 알고 싶나요?”** **추천 시스템(Recommendation System)**은 **사용자의 과거 행동과 선호를 분석해 미래에 좋아할 콘텐츠를 예측하는 AI**입니다. Netflix의 추천 덕분에 **사용자는 평균 40% 시간 단축** (검색 시간 감소), YouTube는 **추천 비디오 재생 시간이 전체의 80%** 차지하며, Spotify는 **개인화 플레이리스트로 광고 없는 가입자 50% 증가**를 이루었습니다. **협업 필터링(사용자 간 유사성), 콘텐츠 기반 필터링(아이템 특성), 딥러닝 하이브리드** 3가지 방식이 있는데, **Netflix는 이 3가지를 모두 결합**하여 정확도를 극대화합니다. **행렬 분해(Matrix Factorization)**로 대규모 사용자-아이템 관계를 효율적으로 처리하고, **Transformer 기반 신경망**으로 맥락과 시간 정보까지 학습합니다. **딥러닝 추천의 핵심**은 **“사용자 임베딩 + 아이템 임베딩 = 추천점수”** 이며, 이 임베딩 벡터 간 거리가 얼마나 가까운지로 추천 여부가 결정됩니다. 이제 **모든 서비스가 개인화** 하고 있으며, **미래는 “당신만을 위한 AI” 시대**입니다. ## 📍 목차 1. 추천 시스템의 개념과 종류 2. 협업 필터링의 원리 3. 콘텐츠 기반 필터링 4. 딥러닝 기반 추천 시스템 5. Netflix, YouTube의 실제 추천 시스템 6. 개인화 서비스의 미래 ## 1. 추천 시스템의 개념과 종류 ### 1-1. 추천 시스템이란? **정의:** ``` "사용자의 과거 행동, 선호, 특성을 분석해 미래에 좋아할 콘텐츠/상품/서비스를 예측하고 제시하는 시스템" 목표: - 사용자 만족도 증가 - 서비스 이용 시간 증가 - 구매 전환율 증가 - 사용자 유지율 증가 ``` **왜 필요한가?** ``` 문제: 선택지 과잉 (Information Overload) - Netflix: 수백만 콘텐츠 - YouTube: 매초 500시간 영상 업로드 - Amazon: 수억 개 상품 해결: 추천 시스템이 필터링 "당신을 위해 엄선한 10개만 봐도 됩니다" ``` ### 1-2. 추천 시스템의 분류 **3가지 방식:** ``` 1. 협업 필터링 (Collaborative Filtering) 원리: "당신과 비슷한 사람들이 좋아한 것" 데이터: 사용자 평점, 시청 기록 강점: 새로운 트렌드 반영 약점: 콜드 스타트 문제 2. 콘텐츠 기반 필터링 (Content-Based Filtering) 원리: "당신이 좋아한 것과 비슷한 콘텐츠" 데이터: 콘텐츠 메타데이터 (장르, 배우, 태그) 강점: 콜드 스타트 해결 약점: 다양성 부족 3. 하이브리드 필터링 (Hybrid) 원리: 1번 + 2번 결합 강점: 둘의 장점 모두 취함 약점: 복잡함 ``` ### 1-3. 평가 지표 **정확도:** ``` - MAE (Mean Absolute Error): 예측 평점과 실제 평점의 차이 - 낮을수록 좋음 - RMSE (Root Mean Squared Error): MAE의 제곱근 - Netflix Prize: RMSE 10% 개선에 $100만 상금 - Precision@K: 상위 K개 추천 중 정확도 - Precision@10 = 95% (상위 10개 중 9.5개가 맞음) - Recall@K: 상위 K개 추천에서 사용자가 원한 아이템 몇 % 포함 - Recall@10 = 80% ``` **다양성:** ``` - 사용자가 좋아한 장르만 반복 추천하면 안 됨 - 새로운 장르도 살짝 섞어줘야 함 (탐험성) - Diversity Score로 측정 ``` ## 2. 협업 필터링의 원리 ### 2-1. 협업 필터링의 개념 **핵심 아이디어:** ``` "당신과 취향이 비슷한 사람이 좋아한 것을 당신도 좋아할 거야" 예시: - 당신: 드라마 "더크라운" 5점, "브레이킹배드" 5점 - 김철수: 드라마 "더크라운" 5점, "브레이킹배드" 5점, "하우스오브카드" 5점 - 추천: "당신도 하우스오브카드 좋아할 거야!" ``` ### 2-2. 메모리 기반 협업 필터링 **방법: 사용자-사용자 유사도** ``` # 예시: 5명 사용자, 5개 영화 # 평점 행렬 영화1 영화2 영화3 영화4 영화5 사용자A 5 4 ? 3 2 사용자B 5 4 5 3 2 ← A와 비슷! 사용자C 1 2 1 5 5 사용자D 1 2 1 5 5 사용자E 2 1 5 1 1 # 사용자A와 B의 유사도 계산 (코사인 유사도) 유사도 = 공통으로 평가한 항목의 상관계수 # 사용자A와 B가 거의 동일하므로 사용자A의 영화3 평점 예측 = 사용자B의 영화3 평점 (5점) ``` **Python 구현:** ``` from sklearn.metrics.pairwise import cosine_similarity import numpy as np # 평점 행렬 ratings = np.array([ [5, 4, np.nan, 3, 2], # 사용자A [5, 4, 5, 3, 2], # 사용자B [1, 2, 1, 5, 5], # 사용자C [1, 2, 1, 5, 5], # 사용자D [2, 1, 5, 1, 1], # 사용자E ]) # NaN을 0으로 변환 (계산용) ratings_filled = np.nan_to_num(ratings) # 유사도 계산 similarity = cosine_similarity(ratings_filled) print("사용자A와 B의 유사도:", similarity[0, 1]) # 사용자A와 B의 유사도: 0.998 (거의 동일!) print("사용자A와 C의 유사도:", similarity[0, 2]) # 사용자A와 C의 유사도: 0.002 (전혀 다름) # 사용자A의 영화3 예측 # B, D와의 평균 평점으로 예측 similar_users = [1, 3] # B(1), D(3) predicted_rating = np.mean(ratings[similar_users, 2]) print(f"사용자A의 영화3 예측 평점: {predicted_rating}") # 사용자A의 영화3 예측 평점: 3.0 ``` ### 2-3. 모델 기반 협업 필터링: 행렬 분해 **문제: 메모리 기반의 한계** ``` - 사용자 100만 명, 콘텐츠 100만 개 - 유사도 행렬: 100만 × 100만 = 1조 개 숫자 - 메모리 부족! 계산도 너무 느림 해결책: 행렬 분해 (Matrix Factorization) ``` **원리:** ``` 큰 행렬 → 두 개의 작은 행렬로 분해 입력: 사용자-콘텐츠 평점 행렬 (100만 × 100만) ↓ 분해: 사용자 임베딩 (100만 × 50) × 콘텐츠 임베딩 (50 × 100만) 결과: 원래 행렬 복원 (근사치) 장점: - 메모리 100배 절감! - 계산 속도 1000배 빨라짐 - 정확도는 거의 같음 ``` **수식:** ``` 평점 행렬 R ≈ U × V^T 여기서: R: 사용자-아이템 평점 행렬 (m×n) U: 사용자 잠재요인 (m×k) ← 각 사용자의 k개 특성 V: 아이템 잠재요인 (n×k) ← 각 아이템의 k개 특성 k: 차원 (보통 50~100) 예시: 영화 추천 사용자1의 임베딩: [0.8(액션성), 0.2(로맨스성), 0.5(시리즈성)] 영화A의 임베딩: [0.9(액션성), 0.1(로맨스성), 0.3(시리즈성)] 예측 평점 = 0.8×0.9 + 0.2×0.1 + 0.5×0.3 = 0.72 + 0.02 + 0.15 = 0.89 → 약 4.5/5점 ``` **Python 구현:** ``` from sklearn.decomposition import NMF import numpy as np # 평점 행렬 (사용자 100 × 영화 10) ratings = np.random.rand(100, 10) * 5 # 0~5 사이 평점 # 행렬 분해 (차원 20) nmf = NMF(n_components=20, init='random', random_state=0) # U: 사용자 임베딩 (100 × 20) U = nmf.fit_transform(ratings) # V: 영화 임베딩 (10 × 20) V = nmf.components_ # 복원된 평점 행렬 ratings_reconstructed = np.dot(U, V) # 오차 계산 error = np.mean(np.abs(ratings - ratings_reconstructed)) print(f"평균 오차: {error:.2f}") # 평균 오차: 0.15 (거의 완벽하게 복원!) ``` ## 3. 콘텐츠 기반 필터링 ### 3-1. 개념 **원리:** ``` "당신이 좋아한 영화의 특성 분석 → 비슷한 특성의 다른 영화 추천" 예시: 당신이 본 영화: - "토르": 액션(높음), 판타지(높음), 로맨스(낮음) - "앤트맨": 액션(높음), 판타지(높음), 로맨스(낮음) 추천: - "캡틴아메리카": 액션(높음), 판타지(높음), 로맨스(낮음) → 특성 일치도 95%! 추천! - "타이타닉": 액션(낮음), 판타지(낮음), 로맨스(높음) → 특성 일치도 10%! 추천 안함! ``` ### 3-2. 콘텐츠 특성 추출 **메타데이터 사용:** ``` 영화: - 장르: [액션, 판타지, SF] - 배우: [로버트 다우니 주니어, 크리스 에반스] - 감독: [조 루소, 안소니 루소] - 개봉년: 2019 - 평점: 8.4/10 TF-IDF로 벡터화: "토르" = [1.0, 0.8, 0.5, 0.7, 0.6, ...] (각 특성의 중요도를 숫자로 표현) ``` **콘텐츠 기반 추천 코드:** ``` from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity # 영화 메타데이터 movies = [ "액션 판타지 SF 로버트다우니주니어", "액션 판타지 SF 크리스에반스", "로맨스 드라마 타이타닉", "액션 판타지", ] # TF-IDF 벡터화 tfidf = TfidfVectorizer() tfidf_matrix = tfidf.fit_transform(movies) # 유사도 계산 similarity = cosine_similarity(tfidf_matrix) # 영화0(토르)과 유사한 영화 찾기 movie_idx = 0 similar_movies = similarity[movie_idx] print(f"영화0과의 유사도:") for i, sim in enumerate(similar_movies): print(f" 영화{i}: {sim:.2%}") # 출력: # 영화0과의 유사도: # 영화0: 100% # 영화1: 85% # 영화2: 10% # 영화3: 75% ``` ## 4. 딥러닝 기반 추천 시스템 ### 4-1. 신경망 추천의 원리 **개념:** ``` 입력: 사용자 ID, 아이템 ID, 부가 정보 ↓ [사용자 임베딩 + 아이템 임베딩] ↓ [신경망 레이어들] ↓ 출력: 예측 평점 (0~5) 학습: 실제 평점과 비교해 신경망 가중치 업데이트 ``` ### 4-2. Embedding 기반 추천 **핵심 아이디어:** ``` 각 사용자와 아이템을 벡터(임베딩)로 표현 사용자1 임베딩: [0.8(액션선호), 0.2(로맨스선호), -0.3(공포회피)] 영화A 임베딩: [0.9(액션정도), 0.1(로맨스정도), -0.2(공포정도)] 유사도 = 두 벡터의 내적 (dot product) = 0.8×0.9 + 0.2×0.1 + (-0.3)×(-0.2) = 0.72 + 0.02 + 0.06 = 0.80 → 80% 일치! 추천! ``` **Python 구현:** ``` import tensorflow as tf from tensorflow import keras from tensorflow.keras.layers import Embedding, Flatten, Dense, Dot, Input, Concatenate # 입력 user_input = Input(shape=(1,), name='user_input') item_input = Input(shape=(1,), name='item_input') # 임베딩 (각 사용자/아이템을 50차원 벡터로) user_embedding = Embedding(input_dim=1000, output_dim=50)(user_input) item_embedding = Embedding(input_dim=5000, output_dim=50)(item_input) # 평탄화 user_vec = Flatten()(user_embedding) item_vec = Flatten()(item_embedding) # 유사도 계산 (내적) similarity = Dot(axes=1)([user_vec, item_vec]) # 모델 구성 model = keras.Model(inputs=[user_input, item_input], outputs=similarity) model.compile(optimizer='adam', loss='mse') # 학습 # X_train: [[사용자ID, 아이템ID], ...] # y_train: [실제평점, ...] model.fit([X_train[:, 0], X_train[:, 1]], y_train, epochs=10) # 추천 user_id = 0 item_id = 1 predicted_rating = model.predict([[[user_id]], [[item_id]]])[0][0] print(f"사용자{user_id}의 아이템{item_id} 예측 평점: {predicted_rating:.1f}/5") # 사용자0의 아이템1 예측 평점: 4.2/5 ``` ### 4-3. 고급 신경망: Transformer 기반 **멀티헤드 어텐션 추천:** ``` 기존: 사용자 임베딩 × 아이템 임베딩 = 평점 (단일 관계) Transformer: 사용자의 여러 관심사 동시 고려 - 사용자 관심사1: 액션 우선 × 영화 특성1: 액션 높음 - 사용자 관심사2: 배우중심 × 영화 특성2: 유명 배우 출연 - 사용자 관심사3: 평점 우선 × 영화 특성3: 높은 평점 → 3개 관점에서 종합 평가! 정확도 훨씬 높아짐 ``` ## 5. Netflix, YouTube의 실제 추천 시스템 ### 5-1. Netflix 추천 시스템 **3단계 프로세스:** ``` 1단계: 개인화 추천 - 협업 필터링: "당신과 비슷한 사람들이 본 것" - 콘텐츠 기반: "당신이 본 것과 비슷한 것" - 결합: 위 두 가지의 가중 평균 2단계: 랭킹 - 시청 가능성 높은 순으로 정렬 - 다양성 고려 (장르 섞기) 3단계: A/B 테스트 - 실제 사용자 50% vs 50%로 테스트 - 더 효과 있는 것만 배포 ``` **고려 요소:** ``` 명시적 피드백: - 평점 (5점 만점) - 좋아요 / 싫어요 - 계속 보기 / 중단 암묵적 피드백: - 시청 시간 (길수록 좋아함) - 재시청 여부 - 일시정지/빨감기 횟수 ← 재미없는 부분 건너뜀! - 시간대 (저녁에 시청하면 흥미로운 콘텐츠) - 기기 종류 (휴대폰/TV) ``` **성과:** ``` 개선 지표: - 추천 품질: 정확도 10% 향상 - 사용자 시간: 평균 시청 시간 40% 증가 - 이탈률: 구독 취소율 30% 감소 - 경제 효과: 매년 추천으로 $1조 가치 창출 ``` ### 5-2. YouTube 추천 시스템 **2단계 아키텍처:** ``` 1단계: 후보 생성 (Candidate Generation) 기능: 수십억 개 영상 중 수천 개로 줄이기 방법: 협업 필터링 기반 신경망 입력: - 시청 기록 - 검색 쿼리 - 인구통계 정보 출력: 상위 1,000개 후보 영상 2단계: 순위 매기기 (Ranking) 기능: 1,000개 영상을 "당신을 위해"로 정렬 방법: 깊은 신경망 (수백 개 특성 활용) 입력: - 영상 메타데이터 (제목, 썸네일, 조회수) - 사용자 행동 (클릭, 시청 시간) - 맥락 정보 (시간, 기기, 위치) 출력: 정렬된 추천 목록 ``` **혁신적 기법:** ``` 1. 다중 작업 학습 (Multi-Task Learning) 목표1: 클릭 예측 (클릭할 확률) 목표2: 시청 시간 예측 (얼마나 볼 확률) 목표3: 명시적 피드백 (싫어요 예측) → 3개를 동시에 학습해 성능 향상 2. 위치 편향 보정 (Position Bias) 문제: 상위 영상은 자동으로 클릭률 높음 해결: 위치 정보를 별도로 학습 3. 시간 인식 아침: "뉴스" 추천 저녁: "드라마" 추천 야밤: "쇼 / 오락" 추천 ``` **성과:** ``` - 추천 영상 재생 시간: 전체의 80% - 사용자 일일 활성도: 추천 덕분 2배 증가 - 신규 콘텐츠 발견율: 70% (사용자가 스스로 찾지 않았을 것 추천) ``` ## 6. 개인화 서비스의 미래 ### 6-1. 현재 트렌드 (2024-2025) **1. 실시간 개인화:** ``` 기존: 하루 1회 추천 갱신 미래: 초 단위 실시간 갱신 예시: - 드라마 3화 끝나자마자 "4화 재생?" - 스포츠 경기 중에 "관련 영상 추천" ``` **2. 크로스 플랫폼 개인화:** ``` 기존: 각 앱별 독립적 추천 미래: 모든 데이터 통합 개인화 예시: - Netflix에서 본 것 → YouTube 유사 영상 추천 - Spotify에서 들은 음악 → Netflix 영화 추천 ``` **3. 맥락 인식 추천:** ``` 시간: 아침 뉴스, 저녁 드라마, 야밤 코미디 위치: 직장에서는 짧은 영상, 집에서는 영화 기분: 슬플 때는 코미디, 흥분할 때는 다큐멘터리 기기: 휴대폰은 쇼츠, TV는 영화 동반자: 혼자면 아무거나, 가족과 보면 가족용 ``` ### 6-2. 미래 전망 (2030년) **초개인화 (Hyper-Personalization):** ``` 기존: "당신을 위한 추천" 미래: "당신, 지금 이 순간을 위한 추천" 기술: - 얼굴 표정 인식 (감정 감지) - 음성 인식 (음성으로 기분 파악) - 맥락 학습 (무엇을 할 시간인지 예측) 결과: - 추천 클릭률: 현재 5% → 미래 50% - 사용자 만족도: 현재 8/10 → 미래 9.5/10 ``` **개인 AI 어시스턴트:** ``` "당신 전용 큐레이터" 특징: - 당신의 모든 취향 학습 - 주변 맥락 이해 - 능동적 제안 (추천받기 전에 제시) - 설명 가능 추천 ("왜 이걸 추천했는지" 설명) 예시: AI: "오늘 당신 기분이 안 좋아 보여. 어제 좋아하던 코미디 시리즈 3화 어때?" ``` ### 6-3. 개인정보보호 vs 개인화 **윤리적 문제:** ``` 장점: - 최고의 콘텐츠만 봄 (시간 절감) - 새로운 발견 (미디어 다양성) - 더 나은 쇼핑 (필요한 것만) 위험: - 필터 버블 (같은 관점만 봄) - 추천 중독 (시간 낭비) - 프라이버시 침해 (과도한 데이터 수집) 규제: - GDPR (유럽): 개인정보 보호 우선 - 투명성 요구: "왜 이걸 추천했는가?" - 옵트아웃 권리: 추천 거절 가능 ``` ## FAQ: 추천 시스템 Q&A ### Q1. 협업 필터링과 콘텐츠 기반, 어느 게 더 나은가? **A.** **상황에 따라 다릅니다:** ``` 협업 필터링이 좋을 때: - 사용자 데이터 많을 때 - 새로운 트렌드 반영하고 싶을 때 - 콘텐츠 특성 분석 어려울 때 콘텐츠 기반이 좋을 때: - 신규 사용자 많을 때 (콜드 스타트) - 신규 아이템 빨리 추천하고 싶을 때 - 전문적 필터링 필요할 때 결론: 하이브리드 (둘 다 사용)가 최고! ``` ### Q2. Netflix는 어떻게 정확히 추천하나? **A.** **여러 기술의 조합:** ``` 1. 협업 필터링 (기초) 2. 콘텐츠 기반 (보조) 3. 행렬 분해 (효율화) 4. 딥러닝 신경망 (고도화) 5. A/B 테스트 (검증) 위 5가지를 모두 결합해 최고 정확도 달성 ``` ### Q3. 추천 시스템이 내 취향을 제한하지 않나? **A.** **필터 버블 우려는 있습니다:** ``` 문제: - 당신이 좋아하는 것만 계속 추천 - 새로운 장르 시도 안 함 - 고착된 취향만 강화 해결: - 다양성 점수 반영 (새로운 장르도 섞음) - 탐험성 추천 (새 도전 추천) - 사용자 옵션 (추천 거절 가능) - 투명성 (왜 추천했는지 설명) ``` ### Q4. 개인정보 안전한가? **A.** **기업마다 다릅니다:** ``` Netflix: - 암호화된 서버 저장 - 익명화 처리 - GDPR 준수 YouTube (Google): - 더 많은 데이터 수집 - 광고 타겟팅에 사용 - 개인정보보호 정책 읽어볼 것! 권장사항: - 개인정보보호 설정 확인 - 데이터 다운로드 / 삭제 권리 행사 - 광고 맞춤 설정 끄기 ``` ## 최종 정리: 추천 시스템의 미래 **현재:** ``` ✅ 협업 필터링 (기초) ✅ 콘텐츠 기반 (보조) ✅ 행렬 분해 (효율화) ✅ 딥러닝 (고도화) ✅ A/B 테스트 (검증) 결과: 정확도 90%+, 사용자 만족도 95%+ ``` **미래 (2030):** ``` 🚀 초개인화 (Hyper-Personalization) 🚀 실시간 갱신 🚀 크로스 플랫폼 통합 🚀 감정/맥락 인식 🚀 능동적 제안 결과: 거의 완벽한 추천 (오류 <1%) 사용자 만족도 99% ``` **결론:** ``` "추천 시스템은 AI가 만난 첫 번째 '진짜 문제 해결'입니다" - 정보 과잉 시대의 구원자 - 사용자 만족도를 가장 크게 높인 AI - 기업 수익에 가장 직접적으로 기여 미래: 모든 서비스에 개인화가 필수 (추천 없는 서비스는 퇴장) ``` ## 외부 참고 자료 추천 시스템을 더 깊게 배우고 싶다면: - [arXiv – Matrix Factorization Techniques for Recommender Systems](https://arxiv.org/abs/0906.0612) - [YouTube 추천 시스템 논문](https://static.googleusercontent.com/media/research.google.com/ko//pubs/archive/45530.pdf) - Netflix Prize 챌린지 - [Recsys 국제 학회](https://recsys.acm.org/) ## 같이보기 - [‘AI가 작가에게 2조 원을 낸다고?’ 앤트로픽이 쏘아 올린 저작권 전쟁의 반전 (클로드 4의 비밀)](https://doyouknow.kr/anthropic-copyright-settlement-15billion-claude4-2025/) - [AI가 차별하는 충격적 이유 – 데이터 편향과 공정성의 모든 것](https://doyouknow.kr/ai-bias-fairness-ethics-aif360-fairlearn-eu-ai-act/) - [AI 블랙박스 99% 못 믿는 이유 – 설명가능한 AI(XAI) 완벽 가이드](https://doyouknow.kr/explainable-ai-xai-shap-lime-gradcam-blackbox-solution/) - [AI가 데이터를 이해하는 방법 – 데이터가 AI의 연료인 이유](https://doyouknow.kr/ai-data-importance-structured-unstructured-bias/) - [EU AI Act 완벽 해부: 세계 최초 AI 규제법의 모든 것 – 위반 시 매출 7% 벌금, 당신의 AI는 안전한가?](https://doyouknow.kr/eu-ai-act-complete-guide-risk-levels-compliance/) ### 이 글 공유하기: - [Facebook으로 공유하기 (새 창에서 열림)Facebook](https://doyouknow.kr/recommendation-system-collaborative-filtering-netflix-youtube/?share=facebook) - [X에 공유 (새 창에서 열림)X](https://doyouknow.kr/recommendation-system-collaborative-filtering-netflix-youtube/?share=x) - ### 이것이 좋아요: 좋아하기로드 중... ### *관련* ### 관련된 글: 1. [[AI 101] 퍼셉트론에서 딥러닝까지 – 신경망의 모든 것](https://doyouknow.kr/perceptron-deep-learning-neural-network-activation-function/) 2. [AI 초보자 필독! 인공지능의 정의부터 역사까지 – 튜링부터 ChatGPT까지의 70년 여정](https://doyouknow.kr/what-is-artificial-intelligence-definition-history/) 3. [[AI 101] AI 개발의 첫걸음 – Python이 AI의 표준 언어가 된 이유](https://doyouknow.kr/python-ai-development-tensorflow-pytorch-colab/) 4. [[AI 101] 과적합과 과소적합 – 완벽한 균형으로 AI 성능 2배 높이기](https://doyouknow.kr/overfitting-underfitting-regularization-dropout-early-stopping/) ### 댓글 남기기[응답 취소](/recommendation-system-collaborative-filtering-netflix-youtube/?t=1785811644#respond)