파이썬과 JAX로 추천 시스템 구축하기

당신이 이 책을 발견한 것도 추천 시스템 덕분이다

 

최신 추천 시스템을 설계하는 방법은 그 활용 분야만큼이나 다양하다. 이 책은 실무자가 알아야 할 핵심 개념과 예제를 설명하며, 추천 시스템을 처음 구축하는 사람부터 경험이 많은 개발자까지 모두 활용할 수 있도록 구성됐다. 추천 시스템을 설계하는 데 필요한 수학적 개념, 아이디어, 구현 방법을 체계적으로 알려주며, 파이썬, JAX, PySpark, SparkSQL, FastAPI를 사용하여 실제로 추천 시스템을 구축하는 직관적인 코드 예제를 제공한다. 이 책을 통해 추상적인 추천 시스템 개념을 구체적으로 학습해보자.

 

도서구매 사이트(가나다순)

[교보문고]  [도서11번가]  [알라딘]  [예스이십사]  [인터파크]  [쿠팡]

 

출판사 제이펍
저작권사 O'Reilly Media
원서명 Building Recommendation Systems in Python and JAX (9781492097990)
도서명 파이썬과 JAX로 추천 시스템 구축하기
부제 만들면서 배우는 대규모 상용 추천 시스템
지은이 브라이언 비쇼프, 헥터 이
옮긴이 동동구
감수자 (없음)
시리즈 (없음)
출판일 2025. 03. 20
페이지 388쪽
판 형 46배판변형(188*245*18.4)
제 본 무선(soft cover)
정 가 33,000원
ISBN 979-11-93926-96-3 (93000)
키워드 추천시스템, RecSys, 데이터분석, 필터링, 모델링, 훈련, PySpark, SparkSQL, FastAPI, 강화학습
분 야 인공지능 / 머신러닝 / 파이썬

 

관련 사이트
■ 아마존 도서 페이지
■ 저작권사 도서 페이지

 

관련 시리즈

■ (없음)

 

관련 포스트

■ 2025.02.27 - [출간 전 책 소식] - 내 알고리즘을 만드는 어둠의 시스템

 

관련 도서

■ JAX/Flax로 딥러닝 레벨업

 

관련 파일 다운로드

■ https://github.com/BBischof/ESRecsys/

 

강의 보조 자료(교재로 채택하신 분들은 https://jpub.tistory.com/notice/1076을 통해 다음 자료를 요청하실 수 있습니다.)
■ 본문의 그림과 표

 

미리보기(앞부속, 본문 일부)

 

정오표 페이지
■ (등록되는 대로 링크를 걸겠습니다.)

 

도서구매 사이트(가나다순)

[교보문고]  [도서11번가]  [알라딘]  [예스이십사]  [인터파크]  [쿠팡]

 

도서 소개

추천 시스템의 비밀을 파헤치는 책

 

현대 비즈니스 환경에서는 고객의 취향에 맞춘 개인화 추천 시스템(RecSys)이 필수다. 그러나 추천 시스템은 다양한 알고리즘, 데이터 처리 기법, 모델 평가 방식 등 여러 요소가 복합적으로 작용하여 접근하기 어렵고, 기존의 ML 커리큘럼에서는 다루지 않는 경우가 많아 실무자들이 막막함을 느끼기 쉽다.

 

이 책은 추천 시스템을 구축하는 데 필요한 모든 핵심 요소(데이터 수집, 문제 정의, 모델 선택, 평가, 배포)를 명확하고 체계적으로 설명한다. 파이썬과 JAX를 포함한 실습 예제와 함께, 추천 시스템 분야에서 빠르게 변화하는 기술 동향과 MLOps 도구를 활용하는 방법을 제공함으로써 접근하기 어려웠던 상황을 해소할 수 있도록 돕는다.

이 책은 수십 년간의 추천 시스템 발전을 한 권에 집약한 실용적 지침서다. 추상적인 추천 시스템 개념을 실제 적용 가능한 코드와 사례로 풀어낸 이 책을 통해 추천 시스템을 성공적으로 구축해보자.

 

대상 독자

• 추천 시스템의 핵심 개념과 알고리즘을 배우고 직접 구현해보고자 하는 머신러닝 엔지니어
• 대규모 데이터 처리 및 MLOps 도구를 활용하여 추천 시스템 인프라를 구축하고자 하는 개발자 또는 데이터 과학자
• 고객 맞춤형 추천 기능을 통해 비즈니스 성과를 높이고자 하는 제품 관리자
• 추천 시스템의 이론적 배경과 실제 구현 사례를 학습과 연구에 활용하려는 연구원

 

주요 내용

• 데이터 및 비즈니스 문제를 RecSys 문제로 전환하기
• RecSys 구축을 시작하기 위한 필수 데이터 파악하기
• RecSys 문제에 적합한 모델을 정하고, 이를 어떻게 평가해야 하는지 결정하기
• 모델을 구현하고, 훈련하고, 테스트하고, 배포하기
• 지표를 추적하여 시스템이 계획대로 작동하는지 확인하기
• 사용자, 제품, 비즈니스 사례를 파악하면서 시스템을 점진적으로 개선하기

 

지은이 소개

브라이언 비쇼프(Bryan Bischof)

Hex의 AI 리드. 순수수학 박사 학위를 취득했고, 럿거스 대학교의 겸임 교수로 데이터 과학을 가르치고 있다. 이전에는 웨이트앤바이어스에서 데이터 과학 책임자로 근무하며 DS, ML, 데이터 엔지니어링 팀을 구축했다. 스티치 픽스에서 의류 추천 시스템, 웨이트앤바이어스에서 기술 블로그 게시물 추천 시스템, 블루보틀 커피에서 세계 최초의 커피 추천 시스템을 구축했고, 지금은 AI 에이전트를 위한 추천 시스템을 구축하고 있다.

 

헥터 이(Hector Yee)

컴퓨터 그래픽 석사 학위를 취득했고, 영화(슈렉 2), 게임(커맨드 앤 컨커), 추천 시스템(유튜브) 분야에서 근무한 소프트웨어 엔지니어. 지금은 구글에서 근무하며 이미지 검색의 첫 번째 콘텐츠 기반 랭킹 시스템, 자율주행 자동차 인식, 유튜브 추천 시스템 구축 등 여러 프로젝트에 참여했다. 개인화된 동영상 랭킹 기술 연구로 기술 및 엔지니어링 에미상을 수상했다.

 

옮긴이 소개

동동구

현재 전략 기획 업무를 수행하고 있다. 이전에는 B2C 및 B2B 웹 애플리케이션, Brew/WIPI/SKVM 등의 피처폰 애플리케이션, iOS/안드로이드/윈도우폰/타이젠 애플리케이션 등의 설계 및 개발, 엔지니어 관리 업무를 수행했다. 최근에는 국내 개발자들을 위해 IT 서적을 번역하고 있으며, 옮긴 책으로는 《파이썬 시계열 예측 분석》(제이펍), 《MLOps 도입 가이드》(한빛미디어), 《파이썬 비동기 라이브러리 Asyncio》(한빛미디어)가 있다.

 

차례

옮긴이 머리말 xii

추천의 글 xiv

베타리더 후기 xv

추천사 xviii

시작하며 xx

감사의 글 xxiii

표지에 대하여 xxv

 

PART I 워밍업

CHAPTER 1 소개 3

1.1 추천 시스템의 주요 구성 요소 4

__1.1.1 수집기 4

__1.1.2 랭커 4

__1.1.3 서버 4

1.2 가장 간단한 추천 시스템 5

__1.2.1 간단한 추천 시스템 5

__1.2.2 가장 인기 있는 아이템 추천 시스템 6

1.3 JAX에 대한 친절한 소개 8

__1.3.1 기본형, 초기화, 불변성 8

__1.3.2 인덱싱과 슬라이싱 10

__1.3.3 브로드캐스팅 11

__1.3.4 난수 11

__1.3.5 JIT 컴파일 12

1.4 요약 13

 

CHAPTER 2 사용자-아이템 평점 및 문제 정의하기 15

2.1 사용자-아이템 행렬 15

2.2 사용자-사용자 대 아이템-아이템 협업 필터링 19

2.3 넷플릭스 챌린지 20

2.4 암묵적 평점 21

2.5 데이터 수집 및 사용자 로깅 22

__2.5.1 기록 대상 22

__2.5.2 수집 및 계측 26

__2.5.3 퍼널 27

2.6 비즈니스 인사이트와 사람들이 좋아하는 것 29

2.7 요약 30

 

CHAPTER 3 수학적 고려 사항 33

3.1 RecSys에서 지프의 법칙과 마태 효과 33

3.2 희소성 37

3.3 협업 필터링을 위한 사용자 유사도 38

__3.3.1 피어슨 상관관계 40

__3.3.2 유사도를 통한 평가 40

3.4 추천 시스템으로서의 탐색-활용 41

__3.4.1 ϵ-그리디 전략 42

__3.4.2 ϵ은 무엇이어야 하나요? 44

3.5 NLP와 RecSys의 관계 45

__3.5.1 벡터 검색 45

__3.5.2 최근접 이웃 검색 47

3.6 요약 47

 

CHAPTER 4 추천 시스템 설계 49

4.1 온라인 대 오프라인 50

4.2 수집기 51

__4.2.1 오프라인 수집기 51

__4.2.2 온라인 수집기 51

4.3 랭커 52

__4.3.1 오프라인 랭커 52

__4.3.2 온라인 랭커 53

4.4 서버 53

__4.4.1 오프라인 서버 53

__4.4.2 온라인 서버 54

4.5 요약 54

 

CHAPTER 5 모두 하나로 합치기: 콘텐츠 기반 추천 시스템 55

5.1 버전 관리 소프트웨어 56

5.2 파이썬 빌드 시스템 57

5.3 무작위 아이템 추천 시스템 59

5.4 STL 데이터셋에서 이미지 가져오기 61

5.5 합성곱 신경망의 정의 62

5.6 JAX, Flax, Optax를 사용하여 모델 훈련하기 63

5.7 입력 파이프라인 65

5.8 요약 79

 

PART II 검색

CHAPTER 6 데이터 처리 83

6.1 시스템에 수분 공급하기 83

__6.1.1 파이스파크 83

__6.1.2 예시: 파이스파크에서의 사용자 유사도 88

__6.1.3 DataLoader 93

__6.1.4 데이터베이스 스냅숏 95

6.2 학습 및 추론을 위한 데이터 구조 97

__6.2.1 벡터 검색 97

__6.2.2 최근접 이웃 근사하기 99

__6.2.3 블룸 필터 100

__6.2.4 흥미로운 점: 추천 시스템으로서의 블룸 필터 101

__6.2.5 피처 스토어 102

6.3 요약 106

 

CHAPTER 7 모델 및 아키텍처 제공 107

7.1 추천 구조에 따른 아키텍처 107

__7.1.1 아이템별 사용자 추천 108

__7.1.2 쿼리 기반 추천 108

__7.1.3 콘텍스트 기반 추천 110

__7.1.4 시퀀스 기반 추천 111

__7.1.5 왜 추가적인 특징이 필요할까요? 111

7.2 인코더 아키텍처와 콜드 스타트 문제 112

7.3 배포 115

__7.3.1 API로서의 모델 115

__7.3.2 모델 서비스 시작하기 116

__7.3.3 워크플로 오케스트레이션 118

7.4 알림 및 모니터링 120

__7.4.1 스키마 및 선행 조건 121

__7.4.2 통합 테스트 122

__7.4.3 관측 가능성 123

7.5 상용 환경에서의 평가 124

__7.5.1 느린 피드백 125

__7.5.2 모델 지표 125

7.6 지속적인 훈련 및 배포 126

__7.6.1 모델 드리프트 126

__7.6.2 배포 토폴로지 127

7.7 평가 플라이휠 130

__7.7.1 일일 웜 스타트 131

__7.7.2 람다 아키텍처 및 오케스트레이션 132

__7.7.3 로깅 133

__7.7.4 능동 학습 136

7.8 요약 140

 

CHAPTER 8 모두 하나로 합치기: 데이터 처리 및 집계 추천기 141

8.1 기술 스택 142

8.2 데이터 표현 143

8.3 빅 데이터 프레임워크 145

__8.3.1 클러스터 프레임워크 146

__8.3.2 파이스파크 예제 147

8.4 GloVe 모델 정의 157

__8.4.1 JAX와 Flax 내의 GloVe 모델의 사양 158

__8.4.2 Optax로 GloVe 모델 훈련하기 160

8.5 요약 162

 

PART III 순위

CHAPTER 9 특징 기반 및 카운팅 기반 추천 165

9.1 이중선형 요인 모델(지표 학습) 166

9.2 특징 기반 웜 스타트 169

9.3 세분화 모델과 하이브리드 171

__9.3.1 태그 기반 추천기 172

__9.3.2 하이브리드화 174

9.4 이중선형 모델의 한계 175

9.5 카운팅 기반 추천기 176

__9.5.1 MPIR로 돌아가기 176

__9.5.2 상관관계 마이닝 178

__9.5.3 동시 출현을 통한 포인트별 상호 정보 180

__9.5.4 동시 출현에서의 유사도 181

__9.5.5 유사도 기반 추천 182

9.6 요약 183

 

CHAPTER 10 낮은 계수 방법 185

10.1 잠재 공간 185

10.2 도트 곱 유사도 187

10.3 동시 출현 모델 189

10.4 추천기 문제의 계수 줄이기 191

__10.4.1 ALS를 이용한 MF 최적화 193

__10.4.2 MF를 위한 정규화 194

__10.4.3 정규화된 MF 구현 195

__10.4.4 WSABIE 219

10.5 차원 축소 219

__10.5.1 아이소메트릭 임베딩 223

__10.5.2 비선형 국소 측정 가능 임베딩 225

__10.5.3 중심 커널 정렬 226

10.6 선호도 및 판매 확률 227

10.7 추천 시스템 평가를 위한 성향 가중치 적용 228

__10.7.1 성향 229

__10.7.2 심슨의 역설과 교란 완화 231

10.8 요약 233

 

CHAPTER 11 개인화된 추천 지표 235

11.1 환경 236

__11.1.1 온라인 및 오프라인 236

__11.1.2 사용자 대 아이템 지표 237

__11.1.3 A/B 테스트 238

11.2 재현율과 정밀도 239

__11.2.1 @k 241

__11.2.2 k에서의 정밀도 241

__11.2.3 k에서 재현율 241

__11.2.4 R-정밀도 242

11.3 mAP, MRR, NDCG 242

__11.3.1 mAP 243

__11.3.2 MRR 243

__11.3.3 NDCG 244

__11.3.4 mAP 대 NDCG? 245

__11.3.5 상관계수 246

11.4 친화도에서의 RMSE 247

11.5 적분 형태: AUC 및 cAUC 247

__11.5.1 추천 확률에서 AUC-ROC로 247

__11.5.2 다른 지표와의 비교 248

11.6 BPR 249

11.7 요약 249

 

CHAPTER 12 순위를 매기기 위한 훈련 251

12.1 추천 시스템에서 순위 결정의 역할 251

12.2 순위 결정 학습 252

12.3 LTR 모델 훈련하기 253

__12.3.1 분류를 통한 순위 결정 253

__12.3.2 회귀를 통한 순위 결정 254

__12.3.3 분류 및 회귀를 통한 순위 결정 255

12.4 WARP 255

12.5 k-차 통계 257

12.6 BM25 258

12.7 멀티모달 검색 261

12.8 요약 261

 

CHAPTER 13 모두 하나로 합치기: 실험과 순위 결정 263

13.1 실험 팁 263

__13.1.1 단순하게 유지하세요 264

__13.1.2 디버그 출력문 264

__13.1.3 최적화 지연 265

__13.1.4 변경 사항 추적 266

__13.1.5 피처 엔지니어링 사용 266

__13.1.6 이해 지표 대 비즈니스 지표 267

__13.1.7 빠른 반복 수행 267

13.2 스포티파이의 수백만 재생목록 데이터셋 268

__13.2.1 URI 딕셔너리 구축하기 270

__13.2.2 훈련 데이터 구성하기 272

__13.2.3 입력 읽기 275

__13.2.4 문제 모델링하기 277

__13.2.5 손실 함수 구성하기 281

13.3 연습 285

13.4 요약 286

 

PART IV 서비스 제공

CHAPTER 14 비즈니스 로직 289

14.1 하드 순위 결정 290

14.2 학습된 회피 291

14.3 수동 조정 가중치 292

14.4 재고 건전성 293

14.5 회피 구현하기 294

14.6 모델 기반 회피 296

14.7 요약 297

 

CHAPTER 15 추천 시스템의 편향성 299

15.1 추천의 다양화 300

__15.1.1 다양성 개선하기 300

__15.1.2 포트폴리오 최적화 적용하기 302

15.2 다중 목적 함수 303

15.3 프레디케이트 푸시다운 304

15.4 공정성 306

15.5 요약 307

 

CHAPTER 16 가속 구조 309

16.1 샤딩 310

16.2 지역 민감 해싱 310

16.3 k-d 트리 313

16.4 계층적 k-평균 316

16.5 더 저렴한 검색 방법 318

16.6 요약 319

 

PART V 추천 시스템의 미래

CHAPTER 17 순차적 추천기 323

17.1 마르코프 체인 324

__17.1.1 2차 마르코프 체인 325

__17.1.2 기타 마르코프 모델 326

17.2 RNN 및 CNN 아키텍처 327

17.3 어텐션 아키텍처 329

__17.3.1 셀프 어텐션에 의한 순차적 추천 331

__17.3.2 BERT4Rec 331

__17.3.3 최신성 샘플링 332

__17.3.4 정적 및 순차적 병합 332

17.4 요약 334

 

CHAPTER 18 추천 시스템의 미래 335

18.1 멀티모달 추천 336

18.2 그래프 기반 추천기 338

__18.2.1 신경망 메시지 전달 339

__18.2.2 애플리케이션 340

__18.2.3 랜덤워크 342

__18.2.4 메타패스와 이질성 343

18.3 LLM 애플리케이션 344

__18.3.1 LLM 추천기 344

__18.3.2 LLM 훈련 345

__18.3.3 추천을 위한 인스트럭트 튜닝 348

__18.3.4 LLM 랭커 348

__18.3.5 AI를 위한 추천 349

18.4 요약 350

 

찾아보기 352

 

제이펍 소식 더 보기(제이펍의 소통 채널에서 더욱 다양한 소식을 확인하세요!)

블로그  유튜브  인스타그램  트위터  페이스북