1. 서론

1.1 탐구 동기

고등학교 1학년 수학에서 배우는 순열과 조합은 처음에는 경우의 수를 계산하는 단원처럼 보였지만, 문제를 풀수록 두 개념이 단순한 계산 기술을 넘어 선택과 배열을 구분하는 사고 도구라는 점이 인상적으로 다가왔다. 같은 대상들을 다루더라도 무엇을 고를 것인지에 초점을 두면 조합이 되고, 고른 대상을 어떤 순서로 놓을 것인지까지 생각하면 순열이 된다는 사실은 익숙한 문제와는 다른 방식으로 현실을 바라보게 했다. 특히 온라인 동영상 플랫폼이나 쇼핑몰의 추천 목록을 보면서, 추천 시스템에서 중요한 것이 단지 어떤 항목을 추천하는가에 그치지 않고 어떤 순서로 보여 주는가까지 포함된다는 점이 자연스럽게 떠올랐다. 같은 세 개의 콘텐츠가 추천되더라도 맨 위에 놓인 항목과 아래쪽에 놓인 항목은 실제로 받는 주목이 다를 수 있으며, 이 차이는 사용자의 클릭이나 선택 결과를 바꿀 수 있다.

이 지점에서 고1 수학의 순열과 조합은 추천 알고리즘을 이해하는 데 매우 적절한 틀을 제공한다고 생각하였다. 조합의 관점에서는 추천 후보 중 어떤 항목들을 뽑아 하나의 목록을 구성하는지가 핵심이지만, 순열의 관점에서는 그 목록 내부의 배열 순서가 별개의 경우의 수를 만들어 낸다. 다시 말해 추천 문제는 단순한 선별 문제가 아니라 선택과 배열이 동시에 작동하는 구조로 볼 수 있다. 평소 통계와 데이터 분석에 관심을 가지며, 숫자로 보이는 결과가 실제로는 어떤 조건과 구조 속에서 만들어지는지 따져 보는 과정에 흥미를 느껴 왔기 때문에, 이번 탐구에서는 경우의 수 단원에서 배운 개념을 바탕으로 추천 목록의 순서가 선택 결과를 어떻게 왜곡할 수 있는지 수학적으로 분석하고자 하였다.

1.2 탐구 목적

본 탐구의 목적은 추천 목록 문제를 고1 수학의 순열과 조합 개념으로 해석하여, 추천 항목의 구성과 배열이 서로 다른 수학적 의미를 가진다는 점을 밝히는 데 있다. 이를 위해 먼저 여러 후보 중 일부를 고르는 과정이 조합의 문제임을 설명하고, 이어서 선택된 항목들을 실제 화면에 배치하는 과정이 순열의 문제로 확장됨을 보이고자 하였다. 또한 위치에 따라 사용자의 주목도가 달라진다는 가정을 반영하여 위치별 가중치를 부여한 간단한 수리 모형을 설정하고, 동일한 추천 집합에서도 배열 순서에 따라 목록 점수가 달라짐을 계산을 통해 확인하고자 하였다. 나아가 이러한 차이가 추천 알고리즘의 설계와 클릭 데이터 해석에 어떤 의미를 가지는지 논의하는 것을 목표로 삼았다.

1.3 연구 문제

본 탐구는 다음의 세 가지 문제를 중심으로 전개하였다. 첫째, 추천 목록을 구성하는 과정에서 조합과 순열은 각각 어떤 역할을 하는가. 둘째, 같은 추천 집합이라도 배열 순서가 달라질 때 목록의 총 평가값은 얼마나 달라지는가. 셋째, 이러한 차이는 추천 시스템에서 관찰되는 클릭이나 선택 결과를 해석할 때 어떤 통계적 의미를 가지는가.

1.4 탐구 범위와 접근 방식

본 탐구는 실제 플랫폼의 내부 데이터를 직접 수집하여 분석한 연구가 아니라, 고등학교 수학 수준에서 접근 가능한 단순화된 가상 모형을 활용한 수학적 탐구이다. 따라서 개인별 선호 변화, 반복 노출, 화면 디자인, 시간대 효과 같은 복잡한 변수는 포함하지 않았다. 대신 추천 목록의 핵심 구조를 선택 단계와 배열 단계로 나누어 해석하고, 각 위치의 중요도를 가중치로 표현함으로써 순열과 조합의 차이가 실제 선택 결과에 어떤 영향을 줄 수 있는지 분명하게 드러내는 데 초점을 두었다.

2. 이론적 배경

2.1 고1 수학의 순열과 조합

조합은 서로 다른 $n$개의 대상 중에서 $r$개를 순서를 고려하지 않고 선택하는 경우의 수이며, 순열은 $n$개의 대상 중에서 $r$개를 순서를 고려하여 배열하는 경우의 수이다. 이를 식으로 나타내면 조합은 $_nC_r=\frac{n!}{r!(n-r)!}$, 순열은 $_nP_r=\frac{n!}{(n-r)!}$가 된다. 두 공식은 모두 같은 대상을 다루지만 순서의 고려 여부에 따라 전혀 다른 결과를 만든다. 예를 들어 A, B, C 세 항목을 모두 사용하는 경우, 조합으로는 하나의 집합만 존재하지만 순열로는 ABC, ACB, BAC, BCA, CAB, CBA의 여섯 가지 배열이 존재한다. 이 차이는 경우의 수 계산에서 자주 등장하는 형식적 구분처럼 보이지만, 실제로는 같은 정보라도 제시 방식에 따라 서로 다른 결과가 만들어질 수 있음을 뜻한다.

고1 수학에서는 순열과 조합을 보통 문제 상황에 맞는 공식을 선택하는 단원으로 배우지만, 개념의 구조를 더 깊게 보면 조합은 후보군을 정하는 문제와 연결되고 순열은 정해진 후보를 배치하는 문제와 연결된다. 따라서 추천 목록은 단순히 몇 개를 고르는 문제로만 이해하면 충분하지 않다. 먼저 후보들을 선택하는 조합의 단계가 존재하고, 그 뒤에 선택된 항목을 어떤 순서로 보여 줄지 결정하는 순열의 단계가 이어진다. 이런 해석은 교과서에서 배운 경우의 수 개념이 디지털 플랫폼의 실제 작동 원리와 연결될 수 있음을 보여 준다.

2.2 추천 목록과 위치 편향

추천 시스템은 사용자의 과거 행동, 콘텐츠 특성, 유사한 이용자의 반응 등을 바탕으로 적절한 항목을 골라 제시하는 체계로 알려져 있다. 그러나 사용자가 실제로 무엇을 클릭하거나 선택하는지는 항목 자체의 선호도만으로 결정되지 않을 수 있다. 일반적으로 화면의 위쪽에 배치된 항목은 더 먼저 보이고 더 쉽게 주목받는 반면, 아래쪽에 놓인 항목은 상대적으로 덜 주목받는다. 이렇게 노출 위치가 선택 확률에 영향을 미치는 현상을 위치 편향이라고 볼 수 있다. 위치 편향이 존재하면 클릭 수나 선택 수는 콘텐츠의 본래 매력만을 반영하는 것이 아니라, 그 항목이 어디에 놓였는지의 영향을 함께 반영하게 된다.

이 점은 추천 결과를 해석할 때 매우 중요하다. 어떤 콘텐츠가 높은 클릭 수를 기록했더라도 그것이 콘텐츠의 질이 뛰어나기 때문인지, 아니면 단지 화면의 가장 눈에 띄는 위치에 놓였기 때문인지를 구분하지 못한다면 추천 시스템의 성능을 정확히 판단하기 어렵다. 따라서 추천 문제를 분석할 때는 어떤 항목이 선택되었는가와 그 항목이 어떤 순서로 노출되었는가를 함께 살펴보아야 한다. 바로 이 지점에서 순열과 조합의 구분은 단순한 계산을 넘어 해석의 기준이 된다.

2.3 위치 가중합 모형과 배열 효과

본 탐구에서는 위치 편향을 설명하기 위해 단순한 가중합 모형을 사용하였다. 각 콘텐츠는 고유한 선호 점수를 가지며, 각 위치는 서로 다른 노출 가중치를 가진다고 가정하였다. 그러면 특정 배열의 목록 점수 $S$는 각 항목의 선호 점수와 해당 위치의 가중치를 곱한 값을 모두 더한 합으로 정의할 수 있다. 수식으로 쓰면 $S=\sum_{i=1}^{3}p_iw_i$와 같이 나타낼 수 있다. 여기서 $p_i$는 해당 위치에 놓인 항목의 선호 점수이고 $w_i$는 그 위치의 가중치이다.

이 모형은 실제 추천 시스템의 복잡한 머신러닝 구조를 모두 재현하지는 못한다. 그럼에도 불구하고 선택과 배열이 결합될 때 어떤 수학적 차이가 발생하는지 매우 직관적으로 보여 준다는 장점이 있다. 특히 큰 선호 점수를 큰 위치 가중치와 연결할수록 전체 점수가 커진다는 사실은, 왜 추천 알고리즘이 단지 좋은 항목을 고르는 데서 끝나지 않고 그 항목을 어떤 순서로 배치할지도 고민해야 하는지 설명해 준다.

3. 연구 방법

3.1 연구 설계

본 탐구는 실측 데이터를 사용하는 통계 조사형 연구가 아니라, 수학적 구조를 드러내기 위한 모형 기반 탐구로 설계하였다. 추천 상황을 단순화하기 위해 네 개의 후보 콘텐츠 A, B, C, D가 존재한다고 가정하고, 이 중 세 개를 선택하여 사용자에게 제시하는 상황을 설정하였다. 첫 단계는 네 개 중 세 개를 뽑는 조합의 문제이며, 둘째 단계는 선택된 세 개를 실제 화면에서 어떤 순서로 배열하는지에 관한 순열의 문제다. 본 탐구는 이 두 단계를 구분하여 경우의 수를 계산하고, 이후 각 배열에 대한 목록 점수를 산출하여 비교하였다.

3.2 자료와 변수 설정

후보 콘텐츠의 기본 선호 점수는 A=0.90, B=0.82, C=0.74, D=0.63으로 설정하였다. 이 점수는 사용자가 각 항목을 본질적으로 선호할 가능성을 단순화하여 나타낸 값으로, 값이 클수록 해당 항목이 더 매력적일 가능성이 크다고 해석하였다. 또한 추천 목록의 위치별 가중치는 1위 0.50, 2위 0.30, 3위 0.20으로 두었다. 이는 사용자가 첫 번째 위치를 가장 먼저 보고 세 번째 위치는 상대적으로 덜 주목한다는 가정을 반영한 것이다. 이때 목록 점수 $S$는 $S=(1위\ 항목\ 선호도\times0.50)+(2위\ 항목\ 선호도\times0.30)+(3위\ 항목\ 선호도\times0.20)$으로 정의하였다.

이 점수는 어떤 추천 목록이 위치 편향을 고려할 때 얼마나 높은 선택 효과를 낼 수 있는지 가늠하기 위한 지표이다. 물론 실제 플랫폼에서는 클릭률, 재생 시간, 사용자 특성, 유사도 같은 더 많은 요소가 함께 고려될 수 있다. 그러나 본 탐구에서는 순열과 조합의 차이가 결과에 미치는 영향을 선명하게 보기 위해 변수를 가능한 한 단순하게 두었다.

3.3 연구 절차

연구는 네 단계로 진행하였다. 먼저 네 개의 후보 중 세 개를 선택하는 조합의 수를 계산하였다. 다음으로 각 조합에 대해 가능한 배열의 수를 계산하여 전체 노출 목록의 수를 구하였다. 그 뒤 대표 조합인 A, B, C에 대해 여섯 가지 모든 순열의 목록 점수를 계산하여 같은 조합 안에서 순서 변화가 어떤 차이를 만드는지 비교하였다. 마지막으로 네 개의 가능한 조합 각각에 대해 최적 배열을 찾고 최대 목록 점수를 비교하여, 항목 선택과 배열 결정이 결과에 미치는 상대적 영향을 함께 해석하였다.

4. 결과

4.1 조합과 순열이 결합된 전체 목록 수

네 개의 후보 중 세 개를 선택하는 조합의 수는 $_4C_3=4$이다. 선택된 세 개를 배열하는 경우의 수는 $_3P_3=6$이다. 따라서 실제로 사용자에게 제시될 수 있는 추천 목록의 총수는 $4\times6=24$이며, 이는 곧 $_4P_3=24$와도 일치한다. 이 결과는 추천 목록 문제가 먼저 조합의 단계에서 후보군을 정하고, 이어 순열의 단계에서 노출 방식을 정하는 구조를 가진다는 사실을 수학적으로 보여 준다.

이 계산은 고1 수학의 공식이 단순한 추상 계산이 아니라, 알고리즘이 실제로 다루어야 하는 선택 공간의 크기를 설명하는 도구임을 보여 준다. 추천 시스템이 단지 좋은 항목을 고르는 문제처럼 보이더라도, 실제로는 훨씬 많은 배열 경우까지 함께 고려해야 한다는 점이 드러난다.

4.2 동일한 추천 집합 내부에서의 순서 효과

다음으로 조합이 동일한 경우에도 순열이 바뀌면 결과가 어떻게 달라지는지 살펴보기 위해 조합 A, B, C를 고정하고 모든 배열의 목록 점수를 계산하였다. 계산 결과는 다음과 같다.

같은 세 항목을 사용했음에도 목록 점수는 0.796에서 0.844까지 달라졌다. 최고값과 최저값의 차이는 $0.844-0.796=0.048$이다. 이는 단지 배열 순서만 바꾸었을 뿐인데도 총점이 의미 있게 변화할 수 있음을 보여 준다. 특히 선호 점수가 가장 높은 A를 첫 번째 위치에 두고, 그다음으로 큰 B와 C를 순서대로 배치한 ABC가 가장 높은 점수를 보였다. 반대로 선호 점수가 가장 낮은 C를 첫 자리에 두는 배열은 대체로 낮은 값을 보였다. 이 결과는 큰 선호 점수를 큰 가중치와 연결할수록 전체 효과가 커진다는 점을 수치적으로 확인하게 한다.

위 그래프는 같은 추천 집합 A, B, C라도 배열 순서에 따라 목록 점수가 달라진다는 사실을 시각적으로 보여 준다. 막대 높이가 가장 큰 ABC 배열은 선호도가 높은 항목이 앞자리에 놓일 때 점수가 커짐을 나타내며, 가장 낮은 CBA 배열은 높은 선호 항목이 뒤로 밀릴수록 총점이 감소함을 보여 준다.

4.3 조합 선택 효과와 순서 효과의 비교

순열 효과만으로 결론을 내리기보다는, 어떤 조합을 선택했는지에 따른 차이도 함께 비교할 필요가 있다. 이에 따라 네 개의 가능한 조합 각각에 대해 가장 높은 점수를 내는 배열을 선택하여 최대 목록 점수를 정리하였다.

가장 높은 조합은 A, B, C이며, 가장 낮은 조합은 B, C, D였다. 두 최대값의 차이는 $0.844-0.758=0.086$이다. 이는 조합 선택 자체가 매우 중요함을 보여 준다. 그러나 동일 조합 A, B, C 내부의 배열 차이만으로도 0.048의 변화가 나타났다는 점을 함께 보면, 배열 순서의 영향은 조합 선택 효과에 비해 결코 작지 않다. 실제로 $0.048$은 $0.086$의 절반을 넘는 값이므로, 좋은 후보를 골라 놓고도 배열을 비효율적으로 설정하면 추천 성과가 상당 부분 감소할 수 있음을 시사한다.

4.4 경우의 수 증가와 설계 부담

본 탐구는 네 개의 후보만으로 모형을 구성했기 때문에 계산이 단순하였다. 그러나 후보 수가 늘어나면 조합과 순열의 값은 함께 증가한다. 예를 들어 다섯 개 중 세 개를 뽑아 배열하면 $_5P_3=60$이고, 여섯 개 중 세 개를 뽑아 배열하면 $_6P_3=120$이다. 후보가 한 개씩 늘어날 때마다 가능한 노출 목록은 빠르게 증가하며, 이는 알고리즘이 다루어야 하는 탐색 공간을 확대시킨다. 따라서 추천 시스템은 가능한 모든 배열을 무차별적으로 검사하기보다, 선호 예측을 통해 후보를 줄이고 그 안에서 효율적인 순서를 찾아야 할 필요가 있다.

5. 논의 및 결론

5.1 결과 해석

본 탐구는 추천 목록을 조합과 순열이 결합된 구조로 해석할 때, 추천 시스템의 작동 원리를 훨씬 정밀하게 설명할 수 있음을 보여 주었다. 조합은 추천 후보의 구성 문제를 설명하고, 순열은 그 후보를 사용자 화면에 배열하는 문제를 설명한다. 특히 동일한 추천 집합에서도 목록 점수가 변한다는 결과는, 추천의 질이 단순한 항목 선별에서 끝나지 않음을 분명하게 드러낸다. 다시 말해 추천 알고리즘은 무엇을 고를 것인가와 어디에 놓을 것인가를 동시에 해결해야 하며, 두 단계는 수학적으로 구분되지만 실제 효과에서는 긴밀하게 연결된다.

5.2 통계적 의미와 비판적 분석

이번 분석에서 가장 주목할 점은 클릭과 선택처럼 관측되는 결과가 순수한 선호만을 반영하지 않을 수 있다는 사실이다. 상위 위치에 배치된 항목은 더 큰 노출 가중치를 받으므로, 높은 클릭 수를 기록했다는 사실만으로 해당 항목이 본질적으로 더 우수하다고 단정하기 어렵다. 관측된 성과에는 콘텐츠 자체의 매력과 위치 편향이 함께 섞여 있기 때문이다. 이 점에서 추천 알고리즘의 성능을 평가할 때는 단순한 결과 수치만 보는 것이 아니라, 그 결과가 어떤 배열 구조 속에서 만들어졌는지까지 함께 고려해야 한다. 순열과 조합의 구분은 바로 이러한 해석상의 혼동을 줄여 주는 수학적 틀로 기능한다.

5.3 연구의 한계

본 탐구는 고등학교 수준의 수학 개념을 활용하기 위해 단순화된 가상 모형을 사용하였다. 따라서 실제 플랫폼에서 작동하는 개인화 추천의 복잡한 요소, 예를 들어 사용자별 선호 차이, 시간대 효과, 콘텐츠 간 상호작용, 반복 노출 효과 등은 반영하지 못하였다. 또한 위치 가중치를 0.50, 0.30, 0.20으로 고정하였기 때문에 현실의 다양한 사용 패턴을 모두 대표한다고 볼 수는 없다. 그럼에도 이러한 단순화는 순열과 조합이 추천 목록 구조를 설명하는 기본 언어라는 점을 분명하게 드러낸다는 장점을 가진다.

5.4 결론

고등학교 1학년 수학의 순열과 조합은 추천 시스템과 같은 현대적 문제를 해석하는 데 유효한 수학적 도구다. 네 개의 후보 중 세 개를 고르는 상황에서 조합은 후보 집합의 수를, 순열은 실제 노출 목록의 수를 규정하였다. 또한 같은 조합이라도 배열 순서에 따라 목록 점수가 달라졌으며, 그 차이는 조합 선택 효과와 비교해도 충분히 의미 있는 수준으로 나타났다. 이러한 결과는 추천 시스템이 단순 선별 알고리즘이 아니라 선택과 배열을 함께 최적화해야 하는 구조임을 보여 준다. 따라서 경우의 수 단원은 추상적인 공식 암기에 그치지 않고, 알고리즘 설계와 데이터 해석의 토대를 제공하는 핵심 개념으로 이해될 필요가 있다.

6. 참고문헌

[1] IBM. (n.d.). What is a recommendation engine? https://www.ibm.com/think/topics/recommendation-engine

[2] NVIDIA. (n.d.). Recommendation system. https://www.nvidia.com/en-us/glossary/recommendation-system/

[3] Joachims, T., Swaminathan, A., & Schnabel, T. (2017). Unbiased learning-to-rank with biased feedback. In Proceedings of the Tenth ACM International Conference on Web Search and Data Mining (pp. 781-789). https://doi.org/10.1145/3018661.3018699

[4] Hofmann, K., Whiteson, S., & de Rijke, M. (2014). Effects of position bias on click-based recommender evaluation. In Advances in Information Retrieval (pp. 624-630). Springer. http://anneschuth.nl/assets/hofmann-effects-2014.pdf

[5] NTT Review. (2025). Cutting-edge algorithms to overcome combinatorial explosion. https://ntt-review.jp/archive/ntttechnical.php?contents=ntr202503ri1_s.html

활동 요약 (자기평가서)

고1 수학의 순열과 조합 단원에서 선택과 배열이 서로 다른 수학적 구조라는 점에 주목하여 추천 목록의 노출 편향 문제를 탐구함. 네 개의 후보 중 세 개를 고르는 조합과 선택된 세 개를 배열하는 순열을 분리해 전체 추천 목록 수를 계산하고, 각 위치에 서로 다른 가중치를 부여한 가상 모형을 설계함. 후보별 선호 점수와 위치 가중치를 곱한 가중합으로 같은 추천 집합 안에서도 배열 순서에 따라 목록 점수가 달라짐을 확인했으며, 특히 선호도가 높은 항목이 앞자리에 놓일수록 전체 점수가 커지는 구조를 수치로 해석함. 이를 통해 클릭 결과가 콘텐츠 자체의 선호도뿐 아니라 위치 편향의 영향도 함께 받는다는 점을 분석했고, 경우의 수 개념이 알고리즘 설계와 통계적 해석의 기초가 될 수 있음을 이해함.