Dot Product 기반의 벡터 유사도 산출을 통한 AI 및 추천 시스템의 정량적 설계

Context

데이터 간의 유사성을 직관이 아닌 계산 가능한 수치로 변환해야 하는 기술적 요구사항 존재. 단순 벡터 연산 시 벡터 길이에 따라 결과값이 변하여 객관적인 비교가 어려운 제약 발생.

Technical Solution

• 대응 요소 간 곱셈 후 합산하는 Dot Product 연산을 통해 두 벡터의 방향성 및 크기를 하나의 스칼라 값으로 응축
• 벡터 크기에 의한 편향을 제거하기 위해 Dot Product 결과를 각 벡터의 Magnitude로 나누는 Cosine Similarity 구조 채택
• -1.0(정반대)부터 1.0(동일 방향)까지의 정규화된 범위를 통해 데이터 간 유사도를 정량적으로 측정
• Collaborative Filtering 설계를 통해 사용자 취향 벡터 간 유사도를 계산하여 맞춤형 콘텐츠 추천 로직 구현
• Neural Network의 각 Neuron에서 Input 벡터와 Weight 벡터의 Dot Product를 통해 가중치 합을 산출하는 연산 구조 설계
• Transformer의 Attention Mechanism 내에서 단어 벡터 간 Dot Product를 계산하여 문맥적 연관성을 파악하는 가중치 할당 방식 적용