지난 글에서 블럭스(Blux) 머신러닝 팀이 고객 행동 데이터를 기반으로 개인화 추천 솔루션을 개발하는 과정을 간단히 살펴보았습니다. 특히, 임베딩 기법과 어텐션 알고리즘을 활용해 상품 특성 정보와 문맥적 정보를 벡터 공간에 맵핑하는 방법을 소개했는데요. 이번 글에서는 이러한 추천 시스템의 핵심 요소 중 하나인 ‘어텐션(Attention) 알고리즘’을 좀 더 심층적으로 탐구하고, 트랜스포머 기법을 블럭스 추천 시스템에 어떻게 적용하는지 알아보겠습니다.

어텐션 알고리즘 핵심 원리와 추천 시스템 적용 방법

‘어텐션 알고리즘’은 추천 시스템의 성능을 향상시키는 데 중요한 역할을 합니다. 고객의 행동 데이터를 분석하고, 이를 바탕으로 개인 맞춤형 추천을 제공하기 위해서는 어텐션 메커니즘을 이해하는 것이 필수적입니다.

딥러닝의 대표적인 알고리즘인 어텐션은 ‘뉴럴 네트워크(Neural Network)’가 주어진 데이터들 사이의 관계를 학습하기 제한적인 한계를 극복하기 위해 고안된 알고리즘입니다. 데이터들 사이의 관계는 다양하게 정의될 수 있지만, 딥러닝에서는 통상적으로 데이터들이 얼마나 유사한가로 정의합니다. 즉, 데이터를 표현하는 벡터들의 내적(Dot Product)을 통해 그 관계를 파악합니다. 따라서 어텐션 알고리즘의 궁극적인 목표는 주어진 벡터들의 가중합을 구하는 일입니다. 이때 가중치가 곱해지는 대상이 되는 벡터들을 ‘밸류(Value)’라고 정의합니다.