feat(wiki): implement P-Reinforce v3.0 standard & integrate 26+ new knowledge artifacts

- Formalized automatic record migration protocol in System Manual. - Integrated high-density knowledge for RAG, AI, Business Strategy, and Leadership. - Enhanced graph connectivity across core strategic hubs. - Archived raw data and updated timeline records.
2026-05-04 22:40:32 +09:00
parent a9a2bcb239
commit 0441f6e2a2
307 changed files with 11360 additions and 91 deletions
@@ -0,0 +1,70 @@
+---
+id: [[P-Reinforce|P-Reinforce]]-AUTO-PUI-001
+category: Design_and_UX
+confidence_score: 1.00
+tags: [auto-reinforced, personalization, user-intent, filter-bubble, ux-design, search-experience]
+last_reinforced: 2026-05-04
+---
+
+# [[Personalization & User Intent|Personalization & User Intent]]
+
+## 📌 한 줄 통찰 (The Karpathy Summary)
+> "사용자 맞춤형 정보의 양면성: 사용자의 숨은 의도(Intent)를 파악하여 가장 최적화된 정보를 제공하는 기술적 배려와, 사용자 취향에만 갇혀 새로운 시각을 차단하는 '필터 버블' 사이의 균형을 잡는 알고리즘 설계."
+
+## 📖 구조화된 지식 (Synthesized Content)
+개인화(Personalization)와 사용자 의도(User Intent) 분석은 사용자의 과거 행동, 선호도, 현재 맥락을 이해하여 가장 관련성 높은 검색 결과와 콘텐츠를 제공하는 기술입니다.
+
+1.  **사용자 의도 (User Intent) 분류**:
+    *   **정보성 (Informational)**: 특정 주제에 대해 배우려는 의도. (예: "RAG가 뭐야?")
+    *   **탐색성 (Navigational)**: 특정 웹사이트나 페이지를 찾으려는 의도. (예: "Ollama 다운로드")
+    *   **거래성 (Transactional)**: 구매나 가입 등 특정 액션을 취하려는 의도. (예: "ChatGPT 유료 결제")
+    *   **상업적 조사 (Commercial Investigation)**: 제품 간 비교나 리뷰를 찾는 의도.
+
+2.  **개인화 기술 (Personalization)**:
+    *   **협업 필터링 (Collaborative Filtering)**: 유사한 취향을 가진 다른 사용자의 데이터를 기반으로 추천합니다.
+    *   **콘텐츠 기반 필터링**: 사용자가 과거에 소비한 콘텐츠와 유사한 특성을 가진 항목을 추천합니다.
+    *   **실시간 맥락 반영**: 현재 위치, 시간, 사용 중인 기기 등을 고려합니다.
+
+3.  **검색 결과의 재구성**:
+    *   같은 검색어라도 개발자에게는 '코드 예제'를, 마케터에게는 '사례 분석'을 우선 노출하도록 순위를 조정합니다.
+
+## ⚖️ Trade-offs & Caveats
+*   **Filter Bubble (필터 버블)**: 사용자가 좋아할 만한 정보만 반복적으로 제공하여, 사용자의 가치관을 고착시키고 상반된 견해나 새로운 정보를 접할 기회를 차단하는 정보의 고립 현상이 발생할 수 있습니다.
+*   **프라이버시 침해**: 개인화를 고도화할수록 더 많은 개인 정보를 수집해야 하므로, 데이터 보호 규정 준수와 사용자 신뢰 확보가 필수적입니다.
+*   **콜드 스타트 문제**: 데이터가 없는 신규 사용자나 신규 아이템에 대해서는 개인화된 추천이 불가능하거나 부정확할 수 있습니다.
+
+## 💻 실전 구현 코드 (Boilerplate)
+사용자의 과거 선호 카테고리를 기반으로 검색 결과에 가중치를 부여하는 간단한 로직입니다.
+
+```python
+def personalized_reranking(results, user_profile):
+    """
+    results: [(doc_id, score, category), ...]
+    user_profile: {'preferred_categories': ['AI', 'DevOps']}
+    """
+    personalized_results = []
+    
+    for doc_id, score, category in results:
+        # 사용자가 선호하는 카테고리인 경우 점수 가중치(1.2배) 부여
+        if category in user_profile['preferred_categories']:
+            new_score = score * 1.2
+        else:
+            new_score = score
+            
+        personalized_results.append((doc_id, new_score, category))
+    
+    # 가중치 적용된 점수로 다시 정렬
+    return sorted(personalized_results, key=lambda x: x[1], reverse=True)
+
+# results = [("doc1", 0.8, "UI/UX"), ("doc2", 0.75, "AI")]
+# user_profile = {'preferred_categories': ['AI']}
+# print(personalized_reranking(results, user_profile))
+```
+
+## 🔗 지식 연결 (Graph)
+*   **기반 기술**: [[Machine Learning (Machine Learning)|Machine Learning]], [[Semantic Search|Semantic Search]]
+*   **부작용**: [[Filter Bubble|Filter Bubble (필터 버블)]]
+*   **활용 분야**: [[Recommendation System|추천 시스템]], [[Targeted Advertising|타겟 광고]]
+
+---
+*Last updated: 2026-05-04*