Feed 점수 계산

현재 코드가 없는 구현 예정 명세입니다. 공용 계약은 Team-PinLog/docs의 static/05_AI_설계.md를 따릅니다.

1. 범위

후보 채널, 점수 공식, 가중치, 다양성 조정, Cold Start를 정의합니다.

이 문서의 모든 수치는 설정값이며 튜닝 대상입니다. 초기값일 뿐 고정된 정책이 아닙니다. 코드에 상수로 박지 않고 @ConfigurationProperties로 외부화해 재배포 없이 조정할 수 있게 합니다.

전 과정이 Spring 메모리 내 산술입니다. FastAPI·Embedding·LLM을 호출하지 않고 벡터 유사도를 계산하지 않습니다.

2. 후보 생성

2.1 다중 채널

단일 채널로 후보를 만들면 필터 버블이나 최신순 나열 중 하나로 무너집니다. 성격이 다른 세 채널에서 뽑아 합집합을 만듭니다.

채널	목적	기본 배분
최신 발행	신규 Collection이 최소한 노출될 기회	100
팔로우	이미 관심을 표현한 Shelf	80
탐색용 무작위	필터 버블 이탈	20

[BD-51 상충] 백엔드는 탐색 탭(GET /v1/feed/collections)에서 팔로우 채널을 더 이상 후보에 합류시키지 않고, 최신·무작위 채널에서도 이미 팔로우한 회원의 Collection을 WHERE 절로 직접 제외합니다(제품 요구사항: 탐색은 신규 발견 목적이라 이미 관계를 맺은 회원의 책은 노출하지 않는다). 이 절이 말하는 "팔로우 = 80 배분·최우선 채널" 설계와 정면으로 상충합니다. 코드 쪽 결정과 감수한 것은 BD-51에 있습니다. 이 명세는 AI 파트 소유라 백엔드가 임의로 고치지 않았습니다 — 갱신 여부는 AI 파트가 판단합니다.

최신 발행 채널의 배분을 60에서 100으로 올린 것은 P42에서 Place region 항을 제거한 데 따른 조치입니다. 제거 이전에는 region이 Keyword와 달리 AI 완료 여부와 무관하게 계산돼, AI가 미완료인 Collection도 점수 항 하나를 확보했습니다. 그 경로가 사라진 만큼 최신 채널을 늘려 후보 진입 기회를 넓혔습니다.

다만 이것은 부분적인 보상입니다. 채널 배분은 후보 풀 진입만 결정하고 점수에는 관여하지 않습니다. keywordAffinity = 0인 Collection은 후보에 들어온 뒤에도 recency(w=0.125) 하나로 경쟁하므로 점수 열세가 그대로 남습니다. 남는 한계는 P42의 "감수하는 것"에 적어둡니다.

각 채널 쿼리는 서로 독립이며 병렬 실행할 필요는 없습니다. 인덱스가 있으면 순차 실행으로 충분합니다.

2.2 채널별 쿼리 개요

-- 최신 발행
SELECT c.id FROM core.collection c
JOIN core.member m ON m.id = c.member_id AND m.deleted_at IS NULL
WHERE c.deleted_at IS NULL AND c.is_published = true
  AND c.member_id <> :me
ORDER BY c.published_at DESC
LIMIT :n;

-- 팔로우
SELECT c.id FROM core.follow f
JOIN core.collection c ON c.member_id = f.followee_member_id
                       AND c.deleted_at IS NULL AND c.is_published = true
JOIN core.member m ON m.id = c.member_id AND m.deleted_at IS NULL
WHERE f.follower_member_id = :me AND f.deleted_at IS NULL
ORDER BY c.published_at DESC
LIMIT :n;

무작위 채널은 최근 발행 구간에서 표본을 뽑되 ORDER BY random() 전체 스캔을 피하고 id 범위 기반 표본을 사용합니다.

collection (is_published, published_at DESC) WHERE deleted_at IS NULL 인덱스가 최신 발행 채널의 전제입니다.

2.3 합집합과 중복 제거

세 채널 결과를 합치고 collection_id 기준으로 중복을 제거합니다.
중복은 페널티가 아니라 신호입니다. 여러 채널에 걸린 Collection은 그만큼 관련성이 높다는 뜻이므로, 제거하되 어느 채널에서 왔는지는 보존합니다. 팔로우 채널 출처 여부가 점수 공식의 followSignal이 됩니다.
본인 소유 Collection은 모든 채널에서 제외합니다.
최종 후보 풀 크기는 약 200입니다. 합집합이 이보다 크면 채널 우선순위(팔로우 → 최신 → 무작위) 순으로 잘라냅니다.
현재 배분에서 이 잘라내기는 발동하지 않습니다. 채널 배분의 합(100 + 80 + 20)이 pool-size와 같은 200이고 중복 제거는 개수를 줄이기만 하므로, 합집합은 항상 200 이하입니다. 배분 합을 pool-size보다 크게 올릴 때를 대비한 방어선으로 남겨두는 것이지 정상 경로에서 동작하는 규칙이 아닙니다.

pinlog:
  feed:
    candidate:
      pool-size: 200
      recent-limit: 100
      follow-limit: 80
      random-limit: 20

pool-size 200은 상한이지 확보량이 아닙니다. 최종 20건에 대해 배분 합(200) 기준으로는 10배지만, 중복 제거 후 실제 후보 수는 그보다 적습니다. 팔로우가 0건인 사용자는 최신 100 + 무작위 20 = 120에서 시작해 중복 제거 후 더 줄어들어 6배 남짓이 됩니다. 이 정도면 다양성 조정과 재검증 탈락을 흡수합니다. 배분을 이보다 늘리면 특징 조회 비용이 선형으로 늘고, 줄이면 소유자 상한 적용 후 후보가 마릅니다.

3. 점수 공식

score(c) =   w_follow   * followSignal(c)
           + w_keyword  * keywordAffinity(user, c)
           + w_recency  * recency(c)
           - impressionPenalty * min(impressions(user, c), cap)

각 항은 0~1로 정규화합니다. 그래야 가중치를 조정할 때 상대 비중이 직관과 일치합니다.

3.1 followSignal

1.0  -- 팔로우 채널에서 나온 Collection
0.0  -- 그 외

이분값입니다. 팔로우 횟수나 기간으로 세분하지 않습니다.

[BD-51 상충] 탐색 탭이 팔로우한 회원의 Collection을 후보 자체에서 제외하도록 바뀌어(BD-51), 어떤 후보도 팔로우 채널에서 나올 수 없습니다. 그 결과 followSignal은 실질적으로 항상 0이고, w_follow(3.5)도 항상 곱해질 값이 없습니다. w_follow가 "가장 큰 가중치"라는 아래 3.5의 근거와 상충합니다.

3.2 keywordAffinity — weighted Jaccard

keywordAffinity = Σ_k min(user[k], collection[k]) / Σ_k max(user[k], collection[k])

k는 두 분포에 등장하는 모든 Keyword code의 합집합입니다.
user[k]는 관심 Profile의 정규화 가중치, collection[k]는 Collection 특징의 정규화 가중치입니다. 없으면 0입니다.
분모가 0이면(양쪽 다 비어 있으면) 0으로 둡니다.
결과는 0~1입니다.

단순 교집합 개수 대신 weighted Jaccard를 쓰는 이유:

코사인 유사도는 Keyword 수가 많은 Collection에 유리하게 편향됩니다. 장소를 많이 담은 Collection이 무조건 상위에 오릅니다.
집합 Jaccard는 "조용한 곳을 아주 좋아함"과 "조용한 곳을 가끔 감"을 구분하지 못합니다. 가중치를 살려야 개인화가 됩니다.
min/max 형태는 분포의 강도 차이를 반영하면서도 크기 편향을 억제합니다.
벡터 연산이 아니라 Map 순회 산술이므로 pgvector나 외부 호출이 필요 없습니다.

입력 제약:

user[k]에는 본인의 PUBLIC + PRIVATE_ONLY가 들어갑니다.
collection[k]에는 타인의 PUBLIC만 들어갑니다.
BLOCKED는 양쪽 모두에서 제외합니다.
이 비대칭이 의도된 설계입니다. PRIVATE_ONLY가 collection 쪽에 들어가면 타인에게 감춰야 할 정보가 추천 결과를 통해 드러납니다.

3.3 recency

recency = exp(-ageDays / halfLifeDays)

published_at 기준이며 기본 halfLifeDays = 14입니다. 선형 감쇠 대신 지수 감쇠를 쓰는 이유는 오래된 Collection이 완전히 0이 되어 영구히 배제되지 않게 하기 위해서입니다.

3.4 impressionPenalty

penalty = impressionPenalty * min(impressions(user, c), cap)

impressions는 최근 7일간 해당 User에게 그 Collection이 응답으로 나간 횟수(COUNT(DISTINCT request_id))입니다.
cap으로 상한을 두는 이유는, 상한이 없으면 한 번 상위에 올랐던 Collection이 노출 누적으로 영구히 하위에 고정되기 때문입니다. 회복 가능성을 남깁니다.
IMPRESSION의 의미는 서버 응답 전달이며 실제 viewport 노출이 아닙니다. feed-event.md 3.1을 참조합니다.

3.5 초기 가중치

pinlog:
  feed:
    scoring:
      w-follow: 0.500
      w-keyword: 0.375
      w-recency: 0.125
      impression-penalty: 0.05
      impression-cap: 5
      impression-window: 7d
      recency-half-life-days: 14

이 값들은 설정값이며 튜닝 대상입니다. 초기값 선정 근거는 다음과 같으며, 고정된 정책이 아닙니다.

w_follow가 가장 큰 이유는 팔로우가 사용자가 명시적으로 표현한 유일한 관심 신호이기 때문입니다. 추론값보다 명시값을 우선합니다.
w_keyword가 두 번째인 이유는 AI 파생값이라 초기 데이터가 적을 때 신뢰도가 낮기 때문입니다. 데이터가 쌓이면 올릴 여지가 있습니다.
w_recency가 가장 작은 이유는 이 값을 키우면 Feed가 사실상 최신순 목록이 되어 개인화가 무의미해지기 때문입니다.
impression_penalty = 0.05, cap = 5이므로 최대 감점은 0.25입니다. 상위 항목을 뒤로 밀 정도는 되지만 완전히 배제하지는 않는 크기입니다.
기존 가중치에서 w_geo_cat만 제거한 뒤 나머지 세 항을 비례 정규화해 상대 순서를 보존합니다.
가중치 합이 1.0이 되도록 유지합니다. 합이 달라져도 상대 순서는 같지만, 점수 절대값을 로그로 비교할 때 해석이 어려워집니다.

튜닝은 이벤트 집계(3.4의 IMPRESSION과 CLICK/SAVE 분포)를 보고 수동으로 수행합니다. 학습형 Ranking이나 Multi-Armed Bandit을 도입하지 않습니다.

4. 다양성 조정

점수 상위 20개를 그대로 내보내면 같은 소유자의 Collection이 몰릴 수 있습니다.

규칙	기본값
한 응답 내 동일 소유자 Collection 최대	2
20개 중 탐색 슬롯	4

4.1 소유자 상한

점수 내림차순으로 순회하며 소유자별 카운트가 상한에 도달하면 건너뜁니다. 건너뛴 항목은 버리지 않고 뒤로 미룹니다. 후보가 마르면 상한을 무시하고 채웁니다. 빈 자리를 남기는 것보다 낫습니다.

4.2 탐색 슬롯

20개 중 4개는 점수 순위와 무관하게 탐색용 무작위 채널 후보에서 채웁니다. 탐색 비중은 **20%**입니다.

순수 exploit만 하면 Profile이 자기 강화되어 새로운 취향을 발견할 수 없습니다.
슬롯 수는 page-size에 비례합니다. page-size가 10에서 20으로 바뀔 때 슬롯을 2에서 4로 함께 올린 것은 탐색 비중 20%를 유지하기 위해서이며, 탐색의 강도를 바꾼 것이 아닙니다.
탐색 슬롯도 3장의 재검증과 소유자 상한을 동일하게 적용받습니다.
탐색 항목의 위치는 고정하지 않고 하위 절반에 분산 배치합니다. 상단을 무작위로 채우면 첫인상이 나빠집니다.
탐색 후보가 없으면 슬롯을 점수 상위로 채웁니다. 빈 자리를 남기지 않습니다.

pinlog:
  feed:
    diversity:
      max-per-owner: 2
      exploration-slots: 4
      page-size: 20

역시 설정값입니다.

5. Cold Start

5.1 판정

Profile.recordCount < coldStartThreshold  (기본 3)
   또는 Keyword 분포가 비어 있음
   또는 Profile 계산 실패

Record가 없는 신규 가입자뿐 아니라, Record는 있지만 AI Keyword가 아직 하나도 완료되지 않은 사용자도 여기에 해당합니다. AI가 비동기이므로 가입 직후 이 상태가 정상적으로 존재합니다.

5.2 처리

Cold Start에서는 가중치를 다르게 적용합니다.

항	일반	Cold Start
`w_follow`	0.500	0.500
`w_keyword`	0.375	0.000
`w_recency`	0.125	0.500

keywordAffinity를 계산하지 않습니다. 입력이 없으므로 항상 0이고, 계산해봐야 모든 후보가 같은 점수를 받아 무의미합니다.
w_recency를 올려 최신 발행 위주로 구성합니다.
팔로우가 있으면 그 신호를 그대로 씁니다. 신규 사용자도 온보딩에서 팔로우할 수 있습니다.
Record가 0건이면 최신 발행 + 팔로우 + 무작위 조합이 됩니다.
탐색 슬롯은 Cold Start에서 오히려 늘립니다(기본 6, 20개 중 30%). 취향을 모르는 상태이므로 탐색 가치가 큽니다. 이 값도 page-size에 비례하며, 일반 20%보다 높게 잡은 비율 자체는 유지합니다.

Cold Start는 Profile이 채워지고 AI가 완료되면 자동으로 해소됩니다. 별도 전환 처리가 없습니다.

6. 계산 순서와 비용

1. Profile 조회               Redis 1회 (miss 시 DB 집계)
2. 후보 생성                  DB 3회 (채널별)
3. Collection 특징 조회        Redis MGET 1회 + miss분 DB 1회
4. 노출 이벤트 집계            DB 1회
5. 점수 계산                  메모리
6. 다양성 조정                메모리
7. Core 재검증                DB 1회 (최종 20건 대상)
8. 상세 조립                  DB 1~2회

외부 호출은 0회입니다.
DB 왕복은 후보 수에 비례하지 않습니다. 모든 조회가 id 목록 기반 일괄 조회입니다.
5~6은 후보 200건에 대한 Map 순회 산술이므로 밀리초 단위입니다.

Navigation Menu

Repository navigation

feed-scoring.md

feed-scoring.md

Feed 점수 계산

1. 범위

2. 후보 생성

2.1 다중 채널

2.2 채널별 쿼리 개요

2.3 합집합과 중복 제거

3. 점수 공식

3.1 followSignal

3.2 keywordAffinity — weighted Jaccard

3.3 recency

3.4 impressionPenalty

3.5 초기 가중치

4. 다양성 조정

4.1 소유자 상한

4.2 탐색 슬롯

5. Cold Start

5.1 판정

5.2 처리

6. 계산 순서와 비용

FilesExpand file tree

feed-scoring.md

Latest commit

History

feed-scoring.md

File metadata and controls

Feed 점수 계산

1. 범위

2. 후보 생성

2.1 다중 채널

2.2 채널별 쿼리 개요

2.3 합집합과 중복 제거

3. 점수 공식

3.1 followSignal

3.2 keywordAffinity — weighted Jaccard

3.3 recency

3.4 impressionPenalty

3.5 초기 가중치

4. 다양성 조정

4.1 소유자 상한

4.2 탐색 슬롯

5. Cold Start

5.1 판정

5.2 처리

6. 계산 순서와 비용