대상 학과
체크된 학과의 학생만 댓글을 쓸 수 있습니다.
학과를 고르면 자체 모델이 게시물 내용을 분석해 관련 있는 공모전을 정리합니다.
외부 AI 서비스를 쓰지 않고 이 서버 안에서 계산합니다. 글이나 댓글이 늘면 자동으로 다시 학습합니다. 임베딩 서비스가 꺼져 있으면 TF-IDF 만으로 추천합니다.
체크된 학과의 학생만 댓글을 쓸 수 있습니다.
AI 가 본문을 읽고 판단한 관련도입니다. 댓글 권한과는 관계없습니다.
고른 관심 키워드와 자기소개를 자체 모델로 비교했습니다. 많은 사람이 고른 키워드보다 드문 키워드가 겹칠수록 점수가 높습니다.
공모전 추천 · 개인 맞춤 · 팀원 찾기는 모두 하나의 자체 모델이 계산합니다. 글자를 보는 TF-IDF 와 뜻을 보는 딥러닝 임베딩을 함께 쓰고, 관리자 체크 · 댓글 · ♥ 같은 학생들의 행동으로 계속 다시 학습합니다. 외부 유료 API 없이 이 서버 안에서 돌아갑니다.
① 입력
② 두 개의 눈 — 글을 벡터로
글자를 보는 눈 · TF-IDF 30%
→ 수천 차원 희소 벡터 · 겹친 낱말을 근거로 보여 줌
뜻을 보는 눈 · 딥러닝 임베딩 70%
passage:, 학과·관심사는 query: 로 넣기→ 384차원 밀집 벡터 · 글자가 달라도 뜻이 가까우면 가까움
③ 학습 — Rocchio
④ 비교 — 하이브리드 유사도
TF-IDF 만 쓰면
"AI 숏폼 영상 공모전" 과 "미디어영상학과" 는 영상 이 겹쳐서 잘 찾지만, "탄소중립 아이디어" 와 "화학생명공학과" 처럼 겹치는 글자가 없으면 놓칩니다.
임베딩만 쓰면
뜻은 잘 잡지만 왜 추천했는지 낱말로 설명하기 어렵고, 관계없는 글끼리도 유사도가 0.8 근처로 몰려 점수 차이가 작습니다.
그래서 둘 다
순위는 주로 뜻(70%) 으로 정하고, 정확히 겹치는 키워드(30%)로 보정하며, 화면의 근거 키워드는 TF-IDF 쪽에서 뽑습니다.
w = (1 + ln tf) × (ln((N+1)/(df+1)) + 1)β = 0.75 × W / (W + 1.5)연결이 적을수록 프로필을 더 믿음e′ = max(0, (cos − μ) / (1 − μ))μ = 전체 쌍의 평균 유사도s = 0.7 × e′ + 0.3 × tfidf (+ 협업 가산점)0.15 × Jaccard(♥) + 0.10 × [서로의 글에 ♥]score = 100 × (1 − e−s/τ)상위 10% 지점이 80점이 되게 τ 결정P = 1 / (1 + e−(a·s + b))정답 쌍으로 로지스틱 회귀 · 정답이 적으면 사전값(중앙값 5%, 상위 10% 70%) 쪽으로ml/finetune.py 가 트랜스포머를 대조학습하고,
떼어 둔 평가 데이터(Recall@5 · MRR)에서 나아졌을 때만 교체합니다.skuniv.ac.kr 공지에서 ‘공모전’, ‘해커톤’, ‘경진대회’, ‘챌린지’ 등 8개 검색어로 최근 2년 공지를 가져오고, 제목으로 참가할 수 있는 공모전·대회만 남깁니다 (수상자 발표·장학금·서포터즈 제외). 받아온 공지는 바로 게시판에 공개되고 추천 AI 학습에 쓰입니다.
Claude 가 게시물 본문을 읽고 요약·태그·주최·마감일과 학과별 관련도를 정리합니다. 새로 수집하거나 등록한 글은 자동으로 분석되며, 추천은 저장된 결과로만 계산합니다.