개인화 추천의 최근 Trend #1
Tech Review of Netflix #3
이번 글을 Netflix Research에서 발표한 내용을 토대로 합니다. 특이하게도 이번에는 글이 아닌 발표를 바탕으로 합니다. 발표 영상을 들으며, 제 생각을 많이 덧붙였습니다. 이번 리뷰에는 원문이 없고 ppt 자료만 있어, ppt에 있는 내용들을 공부하며 새롭게 review를 구성하였습니다. 제가 이해한 것을 바탕으로 review를 했으니, 참고하여 읽으시면 좋겠습니다.
Recent Trends in Personalization : A Netflix Perspective
발표의 초반에서는 Personalization의 전반에 대해 다루고 있습니다. 추천이라는 분야에 있어, Personalization이라고 하는 부분은 빠질 수 없는 부분입니다. 개인의 성향을 이해하여, 개인화된 추천을 하기 때문입니다.
Personalization, 개인화라는 것은 무엇일까요. 인터넷에 찾아보다 보면 다양한 정의들이 있습니다. 저는 그중에서 아래 단어가 가장 와 닿았습니다.
개인 간의 차이를 수용하는 기술
추천 분야에 있어서의 Personalization은 개인 간의 차이, 개인 간의 성향과 관심사 차이를 이해하는 것입니다. 모든 사용자, 개인들에게 일관된 추천 결과를 제공하지 않고, 개인별로 차이를 수용하여 맞춤 추천을 해주는 것이 개인화라고 할 수 있습니다.
Q. Why do we personalize?
A. Help members find content to watch and enjoy to maximize member satisfactions and retention
Netflix에서는 personalize를 하면, 사용자들이 원하는 컨텐츠를 찾고 즐기는 데 있어, 그들의 만족도를 최대화할 수 있다고 말합니다. 충분히 사용자를 이해하였다면, 각자의 성향에 맞는 컨텐츠를 제공할 수 있기 때문에, 동일한 조건에서 그들의 만족도는 모두에게 통일된 추천을 하는 경우보다 더 높을 것입니다.
서비스에 대한 사용자의 만족도를 높여야, 서비스의 품질도 올라간다고 할 수 있습니다. 그렇기 때문에 Netflix와 같은 검색을 비롯한 컨텐츠를 제공하는 서비스들에서 추천과 개인화는 필수적이라고 할 수 있습니다.
Q. What do we personalize?
A. From what we recommend, to how we construct a page, to what images to select, to reaching out to our members
그렇다면 무엇을 개인화하여야 하는가에 대한 고민을 해야 합니다. Netflix에서는 서비스를 구성하는 모든 부분을 개인화하고 있습니다. 무엇을 추천할 것인지, 화면을 어떻게 구성할 것인지, 대표 이미지는 어떤 것을 보여줄 것인지 등 모든 것을 개인화하고 있습니다.
그동안 시청한 사용자의 컨텐츠를 이해하여, 사용자의 취향을 분석하고 이를 통해, 개인화된 랭킹을 제공합니다. 동일한 카테고리가 제공된다고 하더라도, 리스트 내의 랭킹을 개인화하여 제공할 수도 있습니다.
동일한 장르들의 리스트를 제공하더라도, 사용자가 선호하는 장르를 우선 보여주는 것은 매우 중요할 것입니다. 사용자가 첫 번째로 마주하는 추천일 것이며, 이를 통해 신뢰감을 갖게 될 테니까요. 화면의 Row를 개인화해준다는 것은 사용자가 좋아하는 장르의 Ranking을 개인화한다고도 볼 수 있습니다.
어떤 이미지를 사용자에게 제공할지 개인화하기도 합니다. 사용자에게 노출되는 컨텐츠의 이미지를 개인화하게 되면, 사용자가 해당 컨텐츠에 대해 더 매력 있게 느끼게 됩니다. 즉, 사용자 본인이 인지하지 못하는 설명을 듣게 되는 것이지요. 좋은 이미지를 서비스가 노출해주는 것은 추천에 있어 가장 좋은 설명력을 지니게 해주는 것이라고도 할 수 있습니다.
예를 들어, A라는 영화를 추천해주는 이유가 남자 배우 때문이어서, 남자 배우의 스틸컷을 대표 이미지로 보여준다면, 사용자는 그 영화를 더 보고 싶을 것입니다.
Everything is a recommendation! Over 80% of what people watch comes from our recommendations
이렇게 Netflix 서비스의 모든 부분은 개인화되어 있습니다. 무언가를 추천하고 개인화하는 데 있어, 어떤 것을 개인화하는 것인지 명확하게 하는 것은 매우 중요합니다. 어떤 것을 개인화하냐에 따라, 사용해야 하는 그 목적에 맞는 알고리즘도 달라지기 때문이지요. 앞으로는 Netflix처럼 컨텐츠의 Ranking 뿐 아니라, 다양한 측면의 개인화를 시도해야 하지 않을까 싶습니다.
Personalization is hard!
Every person is unique with a variety of interests
Help people find what they want when they are not sure what they want
Large datasets but small data per user... and potentially biased by the output of your system
Cold-start problems on all sides
Non-stationary, context-dependent, mood-dependent
More than just accuracy : Diversity, novelty, freshness, fairness
Personalization 개인화는 매우 어렵습니다. 그 이유를 위의 발표를 토대로 몇 가지로 정리해보면 다음과 같습니다.
첫째, 사람들 별로 취향이 너무나 다르다는 점입니다. 사람마다 다르기 때문에, 개개인을 이해하기 위한 많은 노력이 들뿐 아니라, 시스템적으로도 필요한 리소스의 양 자체가 달라지므로 해결해야 할 문제가 더 다양해지고 어려워집니다.
둘째, 사람들은 본인이 원하는 것을 명확히 모를 때도 추천을 받기를 원합니다. 그렇기 때문에 사용자에 대한 매우 적은 정보로 inference 하여 추천해야 합니다.
셋째, 추천에 사용되는 전체 데이터는 크지만 개개인별 데이터는 적습니다. Netflix의 영화가 수백만 개라 하더라도, 실제로 사용자가 본 영화는 얼마 되지 않겠지요. 즉, 모든 데이터가 굉장히 sparse 하다는 특성을 지닙니다.
넷째, Cold-start problem이 있습니다. 새로운 사용자나 영화와 같은 컨텐츠에 대한 데이터는 존재하지 않습니다. 그렇기 때문에 새로운 영화를 추천하거나 새로운 사용자에게 추천을 하는 일은 매우 어렵습니다.
다섯째, 사용자의 취향은 일관적이지 않습니다. 상황에 따라, 분위기에 따라 매우 다르게 됩니다. 어느 날에는 액션 영화가, 다른 날에는 로맨스 영화가 보고 싶을 수 있습니다. 그렇기 때문에 사용자가 사용하는 시점의 니즈를 파악하고, 그때의 context를 잘 이해해야 합니다.
여섯째, 꼭 높은 정확도를 지니는 모델이 좋은 추천을 하는 모델이라고 말할 수 있지는 않습니다. Diversity, Freshness 등을 종합적으로 제공해야 좋은 추천이라고 할 수 있습니다. 이는 다음 리뷰에서 자세히 다루도록 하겠습니다.
이렇게 Personalization은 여전히 다양한 어려움을 겪고 있고, 이것을 해결하기 위해 다양한 시도들을 하고 있습니다. 이 과정에서 생겨나고 있는 최근 연구 Trend를 앞으로의 리뷰에서 다루어보고자 합니다.
Trending Now
다음 두 번의 리뷰에서 아래의 5가지 Trend에 대하여 다뤄보고자 합니다.
1. Deep Learning
2. Causality
3. Bandits & Reinforcement Learning
4. Fairness
5. Experience Personalization
지난 리뷰 보기
https://brunch.co.kr/@sonjoosik/12
https://brunch.co.kr/@sonjoosik/13
이 글은 아래의 원문을 번역/의역 및 요약하였습니다. 중간중간 파란색으로 표시된 글씨는 번역자의 견해입니다.
https://www.slideshare.net/justinbasilico/recent-trends-in-personalization-a-netflix-perspective
