[IT 기초 지식] 내 취향 아이템을 제안하는 '추천 시스템'

'00님이 좋아할 만한 콘텐츠!', '지금 함께 구매하면 좋을 상품' 등 다양한 IT 기반 서비스에서 내가 관심가질 법한 정보나 취향에 딱 맞는 콘텐츠(영화, 음악, 책, 음식, 뉴스, 상품 등)를 보여줍니다. 나의 행동이력이나 구매이력을 기반으로 사용자에겐 취향저격 콘텐츠를 추천해주고, 기업은 사용자의 만족도와 함께 구매전환으로 이끌어 냅니다. 이렇듯 추천 시스템은 서비스의 필수적인 비즈니스 모델 요소로 자리매김하고 있습니다. 이에 추천 시스템의 역사를 들여다보고 IT 서비스에서 자주 활용되고 있는 추천 시스템 유형은 무엇이 있는지, 그리고 실제 활용 사례는 무엇이 있는지 살펴보고자 합니다.

내 취향을 분석하는 추천 시스템

 

 

추천 시스템은 왜 중요할까?

추천은 사용자가 서비스를 이용하면서 남기는 정보 기록, 인터렉션 정보 기록, 거래 기록과 같은 정보를 토대로 합니다. 사용자가 남긴 정보를 기반으로 제안하려는 서비스 정보(콘텐츠, 상품 등)를 고려해서 개인화 맞춤 추천을 하고 최종적으로는 원하는 지표 상승을 달성하는게 목표입니다. 추천 시스템을 적용하면 사용자 입장에서는 좀 더 편리하게 내 취향에 맞춰서 결정을 쉽게 내릴 수 있고, 플랫폼 입장에서는 타깃 사용자에게 맞춤 콘텐츠를 제공함으로서 사용자수, 조회수, 매출 지표의 상승을 원하는 목표만큼 끌어올릴 수도 있습니다. 추천 시스템(=추천 로직)은 다양한 분야에서 활용 가능하며 사용자들이 최상의 의사결정을 내릴 수 있도록 도와주는 시스템까지로 확장 가능합니다.

 

 

추천 시스템 유형을 살펴보자

추천 시스템은 크게 2가지 유형으로 나뉩니다.

 

1. 협업 필터링 (Collaborative filtering)

사용자의 인터렉션 데이터를 기반으로 하는 추천하는 방식입니다. 사용자의 과거 행동 패턴에서 얻은 정보를 기반으로 사용자(유저, User)와 아이템 간의 관계를 분석 후 취향을 추천합니다. 예를 들어 사용자가 과거에 좋아요/찜을 했거나, 팔로우를 했거나, 클릭을 했거나, 구매 했거나 등의 선호도 정보를 기반으로 이 유저는 취향과 관심사가 비슷한 유저 그룹 또는 아이템을 좋아할 것이라는 가정에 기반합니다. 즉, 다양한 사용자의 프로필로부터 얻은 선호도 정보를 기반으로 유사 정보를 획득하고, 이 유사도를 기반으로 내가 좋아할 만한 추천 사용자(유저)와 아이템을 추천하기에 구매로 이어질 확률이 높습니다.

단점으로는 콜트 스타트(Cold Start) 단계에서는 유저나 아이템에 대한 정보가 많이 쌓여있지 않기에 한계점이 있는 추천방식입니다.

• 나와 가장 유사한 사용자가 좋아하는 아이템을 추천(user-to-user)
  • e.g A 유저와 B 유저가 좋아하는 아이템이 거의 유사하다면, 추천 로직은 이 둘이 비슷한 취향과 관심사를 가졌다고 그룹핑을 합니다. 그 정보를 기반으로 A유저가 좋아하는 아이템을 취향이 비슷한 B에게, B 유저가 좋아하는 아이템을 A 유저에게 제안합니다.
• 내가 좋아할 만한 아이템과 가장 유사한 아이템을 추천(item-to-item)
  • e.g 사람들이 A아이템 구매 후 B아이템을 주로 구매했다면, 추천로직은 A아이템과 B아이템이 유사하다고 보고, A 아이템을 담을 유저에게 B아이템을 추천합니다.

 

 

2. 콘텐츠 기반 필터링 (Content-based filtering)

콘텐츠 데이터를 기반으로 추천하는 방식입니다. 즉, 유저 또는 아이템들이 가진 속성값을 기반으로 추천 아이템의 값들이 일치하는 경우 매칭 시켜 추천합니다. 장점은 콜트 스타트(Cold Start) 단계에서 적합하며 단점은 개인화된 느낌보다는 추천 결과에 대한 일방향적인 느낌과 다양성이 사라질 수 있습니다.

• 키워드/속성 매칭 추천
• 사용자가 좋아할만한 아이템 모델을 생성한 후 추천(DB화)

내 취향을 분석하는 추천 시스템

 

실제 추천 로직 활용 사례

 

아래는 일반적 구분을 하기위해 정리해둔 사례이며 실제로는 서비스 상황에 따라 추천 로직을 조합하여 가장 효율이 나올 수 있는 방법을 찾아내 적용합니다. 

 

1. 협업 필터링 사례 - 유사 사용자 정보 기반의 추천

유저로부터 얻은 정보를 바탕으로 유저가 관심 가질 만한 아이템을 추천합니다. 유사한 사용자끼리 그룹핑하고 해당 그룹 내 아이템을 추천해주는 방식입니다.

 

• 유사 취향 프로필을 가진 유저의 아이템을 추천 - 콘텐츠 미디어 사이트(영화,음악,책,웹툰 등)에서 활용

 

2. 협업 필터링 사례 - 유사 아이템 정보 기반의 추천

유저의 과거 행태 정보를 기반으로 유저가 관심 가질 만한 아이템을 추천합니다. 서비스마다 다양한 행태정보를 수집하고 mix 하여 추천하고 있지만 크게 아래와 같이 나누어 봤습니다.

 

• 구매이력을 기반의 아이템 추천 - 이커머스(쿠팡,11번가 등), 콘텐츠 미디어 사이트(영화,음악,책,웹툰 등)에서 활용
• 검색이력을 기반의 아이템 추천 - 이커머스(쿠팡,11번가 등), 콘텐츠 미디어 사이트(영화,음악,책,웹툰 등)에서 활용
• 유저 간 팔로잉 활동 기반의 추천 - 소셜미디어 (유튜브, 인스타그램, 핀터레스트 등)에서 활용

 

 

3. 콘텐츠 기반 필터링 사례 

 

• 사용자 입력 데이터와 추천 콘텐츠 간 매칭을 활용 - 이력서 기반 공고추천, 금융 상품/카드 추천

 

 

 

-

참고자료

- 넷플릭스의 추천 콘텐츠 시스템 작동방법 : https://help.netflix.com/ko/node/100639 

- 넷플리스는 어떻게 내 취향을 분석할까? : https://bitnine.tistory.com/380

 

 

-

함께 읽어보세요!

[IT 트렌드] AI(인공지능 기술), 어떻게 미래를 뒤흔들까?

[IT 트렌드] AI(인공지능 기술), 어떻게 미래를 뒤흔들까?