> ## Content Index > Fetch the complete content index at: https://www.mekeywhydoesmatter.com/llms.txt > Use this file to discover other available public pages before exploring further. # [Embedding] 15. 고객의 행동수가 LBM 임베딩 품질에 미치는 영향 - URL: https://www.mekeywhydoesmatter.com/17-gogaegyi-haengdongsuga-bfm-imbeding-pumjile-micineun-yeonghyang/ - Published: 2026-02-15T13:48:36.000Z - Updated: 2026-08-30T15:13:27.000Z - Author: mekey - Tags: Embedding ### **“많을수록 좋다”는 말은 절반만 맞다** --- ## **들어가며** 행동 기반 임베딩을 만들다 보면 이런 질문이 생긴다. > “고객 행동이 많을수록 > 임베딩이 더 정확해지나요?” 직관적으로는 그렇다. 데이터가 많으면 정보도 많으니까. 하지만 실제로는 조금 더 복잡하다. --- ## **한 문장 요약** > **행동 횟수는 임베딩 품질에 영향을 준다.** > **그러나 ‘많음’이 아니라 ‘의미 있는 다양성과 구조’가 핵심이다.** --- # **1.행동 횟수가 적으면 생기는 문제** ### **문제 1\. 상태 표현의 불안정성** 행동이 1\~2개뿐이라면: ``` [상품 조회] ``` 이 고객이: - 구매 직전인지 - 단순 호기심인지 - 비교 시작 단계인지 구분하기 어렵다. → 임베딩은 **노이즈에 민감**해진다. --- ### **문제 2\.** LBM**에서 전이 학습이 어려움** LBM은 본질적으로: ``` P(a_t | a_1 ... a_{t-1}) ``` 을 학습한다. 행동 길이가 짧으면: - 전이 패턴 학습 불가 - 상태 추정 불안정 → 전이 중심 임베딩은 특히 데이터 길이에 민감하다. --- # **2\. 그럼 행동수가 많으면 무조건 좋을까?** 아니다. 행동이 너무 많아도 문제가 생긴다. --- ## **문제 1\. 오래된 행동의 과도한 영향** ``` 2년 전 구매 1년 전 탐색 최근 행동 없음 ``` 이 경우: - 과거 데이터가 현재 상태를 왜곡할 수 있다. → 최근성(recentness)을 반영하지 않으면 임베딩이 “과거 평균”이 된다. --- ## **문제 2\. 의미 희석 (LLM 임베딩에서 특히)** 행동을 텍스트화하여 LLM 임베딩으로 만들 경우: ``` 검색 → 비교 → 리뷰 → 검색 → 비교 → ... ``` 반복이 많아지면: - 핵심 전환 신호가 묻힘 - mean pooling 시 의미 평균화 → 정보가 늘어나는 게 아니라 **신호 대 잡음비(SNR)** 가 낮아질 수 있다. --- # **3.행동 횟수가 임베딩 품질에 미치는 영향 구조** 임베딩 품질은 보통 이런 곡선을 따른다. ``` 행동 수 ↑ → 정보량 ↑ → (어느 지점 이후) → 노이즈 ↑ → 품질 정체 또는 하락 ``` 즉, **적정 길이(optimal window)** 가 존재한다. --- # **4.LLM 임베딩 vs** LBM**에서의 차이** | **항목** | **LLM 임베딩** | **LBM** | | --------- | ----------- | --------- | | 짧은 시퀀스 영향 | 의미 추정 불안정 | 전이 예측 불안정 | | 긴 시퀀스 영향 | 의미 평균화 | 상태 희석 가능 | | 최근 행동 중요도 | 높음 | 매우 높음 | | 최적 전략 | 요약/추상화 | window 관리 | --- # **5\. 실무에서 가장 좋은 전략** ## **전략 1\. 윈도우 기반 구성** - 최근 30일 상세 - 이전 6개월 요약 - 그 이전은 제거 → 시간 가중치 필수 --- ## **전략 2\. 단계 요약 후 임베딩** 원시 행동을 모두 쓰지 말고: ``` 탐색 단계 비교 단계 구매 직전 단계 ``` 처럼 구조화. → 행동 “횟수”보다 행동 “흐름”이 중요 --- ## **전략 3\. 가중 pooling** LBM 또는 LLM 임베딩에서: ``` embedding = Σ w_t * h_t ``` - 최근 행동 weight ↑ - 오래된 행동 weight ↓ --- # **6\. 행동 수가 적을 때의 대안** ### **도메인 priors 활용** - 평균 고객 패턴 보정 ### **유사 고객 기반 보강** - collaborative embedding ### **LLM 기반 의미 보완** - 행동을 문장화하여 의미 추론 --- # **7.핵심 통찰** 임베딩 품질을 결정하는 건: - 행동 수 (X) - 행동의 “정보 밀도” (O) --- ## **예시 비교** ### **A 고객** - 100번 반복 조회 - 동일 행동 반복 ### **B 고객** - 7단계 구매 여정 완결 → B 고객이 더 적은 행동 수지만 임베딩 품질은 더 높다. --- # **8\. 그래서 최종 결론은?** > 행동 횟수는 중요하다. > 하지만 “많음”이 아니라 > “구조와 전환을 담고 있는가”가 핵심이다. 임베딩은 평균이 아니라 **상태 표현**이다. --- # **한 문장으로 정리하면** > **행동 횟수는 임베딩 품질에 영향을 준다.** > **그러나 최적 길이는 존재하며,** > **구조 없는 반복은 품질을 오히려 떨어뜨릴 수 있다.** --- # **마치며** 좋은 행동 임베딩은 많은 로그에서 나오지 않는다. - 전환이 보이고 - 최근성이 반영되고 - 맥락이 살아있는 그 시퀀스에서 나온다. 행동이 많다고 좋은 게 아니라, **의미 있는 변화가 있을 때 좋은 임베딩이 만들어진다.**