추천 시스템 - 사용자가 원하는 콘텐츠를 찾아내는 기술
AI 기술 및 산업 분석기 #14
Recommender System (추천 시스템)
유튜브나 넷플릭스를 이용할 때면 우연히 추천해 주는 영상을 보게 되는 경우가 많습니다. 흔히들 “알고리즘이 추천해 주는 대로 영상을 보다 보니 여기까지 왔다"라는 이야기를 합니다. 정보(데이터)가 많아지는 만큼 개인에게 필요한 정보를 찾아내는 일이 쉽지 않습니다. 때문에 거의 모든 플랫폼 기업들은 사용자의 니즈에 맞는 아이템을 추천해 주기 위한 추천 시스템을 사용합니다.
Recommender System(추천 시스템)은 사용자에게 특정 아이템이나 콘텐츠를 추천하는 시스템으로, 사용자의 선호도나 행동을 기반으로 개인 맞춤형 추천을 제공합니다. 이러한 시스템은 온라인 쇼핑, 영화 및 음악 스트리밍, 소셜 미디어, 뉴스, 도서 등 다양한 분야에서 활용되며, 사용자가 더 나은 경험을 얻을 수 있도록 돕는 역할을 합니다.
이러한 추천 시스템은 크게 ‘콘텐츠 기반', ‘협업 필터링' 두 가지 주요 유형으로 나눌 수 있습니다.
협업 필터링 vs 콘텐츠 기반
협업 필터링 추천 시스템 (Collaborative Filtering Recommender System (CF)): 이 유형의 추천 시스템은 다수의 사용자들의 선호도 데이터를 기반으로 추천을 제공합니다. 사용자와 아이템 간의 상호 작용 패턴을 분석하여 비슷한 사용자나 아이템을 찾아 추천합니다. 협업 필터링은 사용자 기반(User-Based)과 아이템 기반(Item-Based)으로 나뉘며, 각각 사용자의 유사도 또는 아이템의 유사도를 계산하여 추천을 수행합니다.
콘텐츠 기반 추천 시스템 (Content-Based Recommender System (CB)): 이 유형의 추천 시스템은 사용자가 이전에 선호한 콘텐츠의 특성을 분석하여 추천을 제공합니다. 예를 들어, 영화 추천 시스템에서는 사용자가 이전에 시청한 영화의 장르, 배우, 감독 등의 특성을 분석하여 비슷한 특성을 가진 영화를 추천할 수 있습니다.
정리하면 CF 모델은 나와 비슷한 취향을 가진 사용자들은 특정 콘텐츠에 대해 비슷한 선호도를 가질 것이라는 가정에 기반한 모델이고, CB 모델은 사용자-콘텐츠 상호작용 데이터가 없더라도 콘텐츠 자체의 유사성을 판단하여 비슷한 콘텐츠를 추천하는 방식입니다.
이러한 두 가지 방식을 기본으로 추천 시스템은 다양한 알고리즘과 기술을 사용하여 구현될 수 있습니다. 이는 사용자 행동 데이터, 아이템 특성 데이터, 추천 목적 등에 따라 선택됩니다.
추천 시스템은 개인화된 경험을 제공하여 사용자들이 원하는 아이템을 찾아낼 수 있도록 도와줄 수 있기 때문에 온라인 쇼핑, 영화 및 음악 스트리밍, 소셜 미디어, 뉴스 및 콘텐츠 플랫폼 등에서 활용될 수 있습니다.
추천 시스템을 사용하는 경우 기업 입장에서는 개인화된 경험을 제공하여 유저의 만족도를 높여 매출 증대를 기대할 수 있습니다. 또한 추천 시스템을 운영하면서 사용자의 행동 데이터를 분석하여 사용자 선호도를 파악할 수 있으며, 이는 새로운 제품과 서비스 개발에 활용될 수 있습니다.
# 기업 리스트
네이버, 카카오 등 대부분의 IT 기업
영상 추천
넷플릭스 추천 시스템을 위해 선호하는 프로그램 선택하기우리도 모르는 새에 가장 흔하게 접하고 있는 추천 시스템은 아마 유튜브와 넷플릭스의 영상 추천 시스템인 것 같습니다. 영상 플랫폼에서는 유저의 시청 이력을 기반으로 사용자의 관심사와 취향을 파악하고 검색 키워드 및 태그 정보를 분석하여 흥미로운 영상을 추천합니다. 또한 사용자의 클릭, 시청 시간, 좋아요/싫어요 등의 행동 패턴을 분석하여 유저가 관심을 가질 영상을 예측합니다. 물론 시청한 영상과 유사한 콘텐츠를 추천하거나 사용자의 개인 정보(나이, 연령, 지역) 등을 활용하여 개인화된 추천을 제공할 수도 있습니다.
물론 아직 기술적으로 부족한 부분도 많습니다. 가령 좀비 영화 하나를 보고 좋아요를 눌렀더니 거의 모든 좀비 영화를 추천해 줍니다. 사용자가 해당 영화가 단순히 좀비물이라서 좋아한 것은 아닐 텐데 말이죠. 이처럼 아직 영상 자체를 AI 모델이 분석하고 특정 이용자가 좋아할 만한 영상이라고 분류하기는 쉽지 않습니다. 가능하더라도 리소스와의 싸움이 기다리고 있습니다.
콘텐츠 추천
카카오의 다양한 추천 서비스 예시 (출처 : 카카오 정책산업 연구 브런치)영상 외에도 다양한 콘텐츠 플랫폼에서도 추천 시스템이 사용됩니다. 예를 들어 카카오의 추천팀에서는 멜론 For U, 미디어다음 뉴스, 카카오뷰 개인화 추천, 카카오픽코마, 카카오페이지, 카카오웹툰, 선물하기 상품 등 카카오 내 수많은 서비스의 추천을 담당합니다.
추천 시스템을 사용하면 데이터가 쌓일수록 사용자는 원하는 콘텐츠를 추천받을 가능성이 커지면서 서비스에 대한 만족도가 높아지고, 기업은 서비스 이용자 수와 체류 시간을 늘릴 수 있습니다. 또한 추천 시스템을 운영하는 과정에서 사용자의 숨은 니즈를 파악해서 비즈니스에 반영할 수 있다는 장점까지 생깁니다.
추천 시스템의 미래
추천 시스템은 지속적으로 발전하고 있으며, 앞으로도 다양한 측면에서 더 나은 기능을 제공할 것으로 예상됩니다. 추천 시스템은 점차 더 정확한 개인화 능력을 갖출 것이며 사용자의 시청 기록, 검색 키워드뿐만 아니라 더 다양한 데이터를 활용하고 시간과 맥락을 고려하는 방향으로 발전될 것입니다. 또한 추천한 이유를 제공할 수 있는 해석 능력과 실시간 및 대규모 처리를 할 수 있는 기반을 갖출 것입니다.
또한 멀티 모달(Vision + NLP) 딥러닝 모델이 점점 발전하고 있기 때문에 복잡한 영상과 같은 콘텐츠의 추천 만족도도 점차 높아질 것이라 생각합니다.
최근에는 추천 시스템과 LLM(Large Language Model) 과의 연계를 통해 더욱 고도화된 검색 시스템을 개발하는 시도도 이루어지고 있습니다. 단순한 검색도 아니고, 단순한 추천도 아닌 개인화된 검색을 제공하기 위함입니다.
추천 시스템은 여러 비즈니스에서 꼭 필요한 기술이고 이미 널리 사용되고 있고, 아직 발전 가능성이 많은 기술입니다. 앞으로 더욱 다양한 분야에서 사용자 경험을 만족시키기 위한 추천 시스템을 만나볼 수 있기를 기대해 봅니다.
