이력서·공고 매칭 AI 추천 시스템 개발 (상상우리)
㈜프리딕션 · Client: ㈜상상우리
2020.12 (1개월)
Overview
이력서와 채용 공고 텍스트를 분석해 직무–인재 매칭 정확도를 개선하는 추천 시스템을 개발했습니다. 이력서와 공고는 같은 역량을 서로 다른 표현·용어로 기술하기 때문에 단순 키워드 매칭으로는 의미가 같은 항목을 연결하기 어려웠습니다. 이를 해결하기 위해 TF-IDF 기반 매칭에서 자체 개발 임베딩 기법(PRE2VEC) 기반 시맨틱 매칭으로 고도화했습니다. ㈜프리딕션 소속으로 참여했으며 프론트·AI/데이터를 겸임했습니다.
Key Metrics
Highlights
- 텍스트 벡터화 및 시맨틱 매칭 로직 구현 (TF-IDF 베이스라인 → PRE2VEC 시맨틱 매칭 고도화)
- FastAPI 기반 추천 API 설계 및 응답 구조 정의 (추천 점수·상위 매칭 직무/공고 리스트)
- 사용자 피드백 기반 추천 개선 구조 구현 (반응 데이터 수집→유사도 가중치 조정 개선 루프)
Key Decisions
TF-IDF 베이스라인에서 PRE2VEC 시맨틱 매칭으로 고도화
문제이력서와 공고는 같은 역량을 다른 표현·용어로 기술해, TF-IDF 키워드 매칭만으로는 의미가 같은 항목을 연결하기 어려웠습니다.
결정TF-IDF 벡터화·유사도 계산을 베이스라인으로 두고, 자체 개발 임베딩 기법 PRE2VEC 기반 시맨틱 매칭으로 고도화해 의미를 기준으로 직무 적합도를 판단했습니다.
결과표현이 달라도 의미가 같은 이력서·공고 항목을 연결할 수 있게 되어 직무–인재 매칭 정확도를 개선했습니다.
추천 결과를 서비스로 제공하는 API 설계
문제매칭 로직 결과를 외부에서 일관되게 소비할 수 있는 서비스 형태가 필요했습니다.
결정FastAPI 기반 추천 API를 설계하고 추천 점수·상위 매칭 직무/공고 리스트 형태로 응답 구조를 정의했습니다.
결과추천 결과를 안정적인 서비스 API로 제공하고, React 관리자 대시보드에서 결과를 확인·운영할 수 있도록 했습니다.
피드백 기반 지속 개선 루프
문제초기 유사도 로직이 실제 사용자 판단과 완전히 일치하지는 않았습니다.
결정사용자 반응 데이터를 수집해 유사도 가중치를 조정하는 피드백 기반 추천 개선 구조를 구현했습니다.
결과사용자 피드백을 반영해 유사도 가중치·추천 로직을 지속적으로 개선하는 운영 루프를 마련했습니다.
Challenges & Solutions
문제이력서와 공고는 표현·용어가 달라 키워드 매칭만으로는 의미가 같은 항목을 연결하지 못했습니다.
해결TF-IDF 베이스라인에서 자체 개발한 PRE2VEC 임베딩 기반 시맨틱 매칭으로 고도화해, 표현이 달라도 의미를 기준으로 이력서↔공고를 연결했습니다.
Impact
- 키워드를 넘어 의미 기반으로 이력서·공고를 연결하는 시맨틱 추천 시스템 구현
- TF-IDF 베이스라인 대비 자체 임베딩(PRE2VEC)으로 직무 적합도 판단을 고도화
- FastAPI 기반 서비스 API로 추천 결과 제공, 사용자 피드백 기반 개선 루프로 추천 로직 지속 개선
Architecture
- 텍스트 전처리·특징 추출 → 벡터화(TF-IDF 베이스라인 → PRE2VEC 임베딩) → 유사도 계산·시맨틱 매칭
- 추천 결과는 FastAPI 기반 서비스 API로 제공 (추천 점수·상위 매칭 직무/공고 리스트)
- React 관리자 대시보드 인터페이스에서 결과 확인·운영
- 사용자 반응 데이터 수집 → 유사도 가중치 조정 → 추천 로직 개선의 피드백 루프