- "이 사용자가 무엇을 좋아하는가"를 넘어 "지금 어떤 상황인가"를 함께 고려하는 추천 방식
- 시간, 장소, 기기, 날씨, 행동 패턴 같은 외부 요인(맥락)을 추가해 더 정교한 추천을 구현
- 같은 사용자라도 여름 낮 모바일 접속과 겨울 저녁 PC 접속은 전혀 다른 니즈를 가질 수 있음
- 맥락 정보 수집에는 Fluentd/Logstash 같은 로그 수집 도구나 GA4/Firebase Analytics를 활용
- 구현 방식은 두 가지로 나뉨
알고리즘 + 맥락 방식 : 모델 학습 단계부터 맥락 정보를 입력 데이터에 포함. "이 사용자는 평일 저녁 8시에 원피스를 자주 구매한다"는 패턴까지 학습해 같은 시간대 접속 시 자동으로 어울리는 상품을 상위에 배치. 추천 정밀도가 높은 대신 구현이 복잡
추천 결과 + 맥락 방식 : 기본 추천 목록을 먼저 생성한 뒤, 사용자의 현재 맥락을 기준으로 필터링하거나 재정렬. 예를 들어 평일 저녁 8시 접속이라면 해당 시간대에 클릭/구매 이력이 많은 상품을 목록 상단으로 올림. 추천 모델 자체는 맥락을 고려하지 않아 구현이 간단하고 유연함
두 방식 모두 맥락 정보 수집 → 맥락-아이템 상관관계 분석(시간대/날씨별 인기 상품) → 맥락 데이터 정제 및 저장(PostgreSQL, pandas)이 공통 기반이 됨