Julie의 Tech 블로그

플랫폼은 수익이 아닌 가치를 추구해야한다. 플랫폼은 이익을 목적으로 성립되기 어렵다. 소비자와 공급자의 양면시장을 끼고 있는 플랫폼은, 그 특성상 자체 수익을 추구하는 행위가 참여자의 후생을 줄인다는 의미와 동일하게 된다. 또한 플랫폼 경쟁을 통해 얻어낸 독점이라는 지위가 수익과 함께 결합되는 순간, '횡포'가 된다. 물론 플랫폼 역시 기업이기에 이윤을 추구해야하지만, 플랫폼을 운영하며 추구하고자 하는 가치와 수익가치는 분리되어야한다. ​ 초기 플랫폼은 수익추구는 조금 제쳐두고 봐야할 필요가 있다. 플랫폼은 공급자와 소비자 모두를 고객으로 여기고 있는데, 공급자는 본래 수익을 추구하는 존재이며, 소비자는 고객이기에 플랫폼은 양측으로부터 이익을 얻어내기 어렵다. 플랫폼이 성장을 기하는 단계에 있을 땐 규모..

웹 호스팅이란 콘텐츠 리소스를 저장하고, 중개하며, 관리하는 일을 통틀어 지칭한다. 호스팅은 웹 서버의 가장 중요한 기능 중 하나이기 때문에, 직접 관리가 어려울 경우 호스팅 서비스나 업체를 통하기도 한다. ​ 웹 호스팅은 지원 범위에 따라 달라진다. 가장 간단한 호스팅은 전용 웹 호스팅 서비스에 가입하는 것인데, 사용자는 장비를 구매하고 유지보수하는 비용을 지불하고, 호스팅 서비스는 고성능 웹 서버들로 구성한 랙을 대여해주는 역할을 한다. ​ 가상 호스팅은 전용 웹 호스팅과는 다르게 고성능 서버를 full-time으로 대여하기 보다는, 필요에 따라 자원을 이용하는 형태이다. 각각 다른 서버에서 호스팅되는 것처럼 보이지만, 실제로 물리 서버는 동일한 개념이다. 가상 호스팅은 비용, 공간, 관리에 이점이 ..

URL 하나로 여러 리소스를 보여줘야하는 상황이 있다. 예를 들어 내 웹사이트를 영어권 고객과 한국권 고객 모두를 보유하고 있을 경우, 웹 사이트에 접속시 각 언어별로 보여줘야한다. 이 역할을 HTTP의 '내용협상' 기능이 담당하고 있다. 또한 서버는 특정 URL에 담길 콘텐츠에 대해서도 커스터마이징이 가능하다. 예를 들어 휴대용 단말기에 맞게끔 프론트를 변환한다든지 등이 해당한다. 이를 '트랜스코딩'이라고 한다. ​ 오늘은 내용 협상과 어떻게 웹 어플리케이션이 내용 협상을 수행하는지, 그리고 그 과정에서 '트랜스코딩'을 어떻게 진행하는지 살펴볼 것이다. 내용 협상 내용 협상은 세 가지 방법을 제공한다. 클라이언트에게 선택지를 주거나, 서버가 자동으로 판단하거나, 혹은 중개자가 선택한다. 각각 클라이언트..

이전 글에서는 COFIBA모델의 pseudo code와 각 구간별 로직에 대해 설명을 담았었다. 이번 글에서는 해당 모델이 세 개 테스트 데이터 셋에서 어떤 성과를 내었으며, 어떤 결론을 내릴 수 있는지 다룰 것이다. 수식 편집기 한계로, 글에서 기울임체로 작성하는 변수는 각각 아래와 같이 이해하면 된다. 1) 야후 뉴스 추천 데이터셋 - 2주간 야후 내 'Today Module' 섹션에 유입된 3000만 트래픽 기록 중 random하게 셀렉 - 뉴스 추천과 방문자가 모두 random하게 꾸려짐 - 유저 벡터 > it (136개 feature dimension), 뉴스 컨텐츠 > Cit, 클릭 여부 > at 2) Telefonica 광고 데이터셋 - Telefonica에서 운영하는 웹사이트 내 광고 클릭..

지난번에는 CF와 stochastic MAB를 합친 COFIBA모델을 간단히 소개했다. 이번에는 그 모델의 pseudo code를 보면서 로직을 정확히 이해해보고자 한다. ​ 우선 간략히 모델의 알고리즘 로직 순서를 요약하면 아래와 같다. 1. t번째 라운드에서 모델은 특정 유저에게 추천 가능한 아이템 리스트 중 가장 기대보상이 큰 아이템을 선택 2. 선택 결과에 따라 유저로부터 실제 보상 결과를 받음 3. 실제 보상 결과에 따라 모델이 업데이트됨 3-1. 모델 파라미터 업데이트 3-2. 유저 클러스터, 아이템 클러스터 순으로 업데이트 4. 1-3 반복 좀 더 자세하게 알아보자. Intial Setting : input, output ​ 각 용어별 정의는 아래와 같다. U는 유저 그룹, I는 콘텐츠 그룹..

전통적인 CF 기반 추천 방식은 유저와 아이템 셋이 고정되어있다. 하지만 일반적인 추천 시스템에서는 유저와 아이템 풀이 점점 확장된다. 서비스에서는 신규 유저가 인입되기도 하고, 기존 유저가 이탈하기도 하며, 아이템 셋도 변한다. 또한 가장 중요한 것은 유저의 선호가 지속적으로 변한다는 것이다. 이에 따라 논문은 Contextual Bandit을 CF알고리즘의 특성을 녹여 재구성한 알고리즘을 제안했다. Collaborative filtering bandits SIGIR, 2016 : https://arxiv.org/pdf/1502.03473.pdf 논문에서는 Bandit이 지속적으로 변하는 유저의 선호를 맞춘 추천을 해주기 적합한 알고리즘이라고 소개한다. 하지만 이 알고리즘은 비슷한 아이템이나 유저 간 ..