태그 기반 Rule-Based 추천 로직을 채택한 이유

1. 배경

<aside> 🌉

초기 추천 시스템 설계 시, 우리는 사용자에게 의미 있는 추천 경매(Auction)를 제공하기 위해 여러 추천 방식들을 비교 ex( 협업 필터링, 콘텐츠 기반 추천, 엘라스틱 서치 기반 )

그중에서도 협업 필터링(Collaborative Filtering)이나 콘텐츠 기반 추천(Content-Based Filtering) 등의 복잡한 알고리즘 대신,

간단하면서도 충분한 개인화 효과를 기대할 수 있는 Rule-Based 방식을 선택

📌 작성 주제 예시:

"S3 + CloudFront 기반 이미지 저장소 도입 배경과 아키텍처"

</aside>

<aside> 📌

선택지	설명	선택하지 않은 이유	최종 채택 여부
협업 필터링(Collaborative Filtering)	사용자 간 유사도를 기반으로 유사 행동을 추천	- 사용자 수 부족, 콜드스타트 발생

연산량 큼, TPS 낮음- 결과 해석 어려움 | ❌ 미채택 | | 콘텐츠 기반 추천(Content-Based Filtering) | 상품 속성(태그 등) 유사도를 계산하여 유사 상품 추천 | - 유사도 계산 알고리즘 필요
개인화 중심이라 그룹 추천에 부적합 | ❌ 미채택 | | Elasticsearch 기반 추천(Function Score, Full-Text) | 태그 기반 정렬 및 점수 계산을 검색엔진으로 처리 | - 운영 복잡, 비용 큼- 실시간 점수 반영 어려움
오버엔지니어링 우려 | ❌ 미채택 | | Rule-Based 추천 (DB 중심) | 그룹(Group)의 찜/입찰 로그를 기반으로 태그 점수 산정 후 추천 | 점수 설계 간단 초기 유저 대응 쉬움 설계/구현 직관적 | ✅ 채택 | </aside>

항목	설명
사용자 그룹화 가능	회원가입 시 성별, 나이대, 지역 데이터를 기반으로 정적인 Group 생성 가능
동작 방식이 직관적	각 Group이 어떤 Auction을 선호하는지, 어떤 태그를 선호하는지 쉽게 파악 가능
점수 로직 설계가 간단	찜 = 1점, 입찰 = 2점 등 명시적인 가중치 부여로 선호도를 수치화할 수 있음
데이터 sparsity 적음	Group 단위 집계로 인해 희소한 개인 데이터도 보완 가능
성능 최적화 용이	이후 캐싱 및 Redis 기반 저장 구조등으로 고도화에도 적합

<aside> ⚠️

</aside>