데이터를 분석해 판단하고 결정하는 알고리즘이 최근 우리 생활 깊숙이 들어오고 있다. 특히 쇼핑, 영상 추천 등 내게 맞는 콘텐츠를 추천해주는 ‘추천 알고리즘’이 눈에 띈다. 추천 콘텐츠는 어떤 기준으로 선정돼 우리에게 나타나는 걸까?
추천 알고리즘은 사용자가 선호할만한 아이템을 추측해 여러 가지 항목 중 적합한 특정 항목을 추천해 제공하는 알고리즘이다. 추천 알고리즘은 추천할 학습 기반 데이터에 따라 콘텐츠 기반 필터링과 협업 필터링으로 분류된다.
콘텐츠 기반 필터링은 이용자가 소비한 콘텐츠의 특성을 기준으로 그 사람의 취향과 선호를 파악한 뒤, 그에 맞는 콘텐츠를 제공해 구매 의도를 높인다. 드라마에서는 줄거리나 등장인물, 상품은 상세 페이지의 설명, 음악은 장르, 가수 등이 분석 대상이다. 다음으로 사용자가 기존에 좋아한 콘텐츠가 어떤 특징을 가지고 있는지 확인한 후, 해당 특징을 갖춘 다른 콘텐츠를 추천한다.
협업 필터링은 특정 집단에서 발생하는 ‘유사한 사용행동’을 파악해 비슷한 성향의 사람들에게 아이템을 추천한다. 이는 사용자 기반 협업 필터링, 아이템 기반 협업 필터링으로 구분된다.
사용자 기반 협업 필터링은 나와 비슷한 성향을 가진 사람들이 사용한 아이템을 추천해 주는 방식이다. 예를 들어, 내가 온라인으로 과자와 아이스크림, 빵을 함께 구매하고, 친구가 빵과 아이스크림을 구매했다고 가정해 보자. 알고리즘은 구매 목록이 겹치는 이 두 사용자가 유사하다고 판단해 친구에게 과자를 추천한다. 페이스북, 인스타그램 등의 SNS ‘친구 추천' 서비스 역시 같은 방식을 적용한다. 나와 친구를 비슷한 성향으로 인식해 친구의 친구들을 나에게 추천한다. 아이템 기반 협업 필터링은 내가 구매하려는 물품과 같이 구매된 경우가 많은 아이템을 추천해 준다. 예를 들어, 텀블러와 빨대를 함께 구매하는 소비자가 많다면, 텀블러를 구매한 사용자에게 빨대를 추천한다. 이때 텀블러와 빨대가 서로 같이 사용되는 관계인지 등은 고려하지 않는다. 협업 필터링은 많은 사용자에게서 얻은 기호 정보로 새로운 아이템을 추천해 이해하기 쉽고 합리적이다. 하지만 사용기록 데이터가 적으면 추천의 정확성이 낮아지고 사용기록이 많을 경우는 처리시간이 길어져 문제가 발생한다.
콘텐츠 기반 필터링은 콘텐츠 자체를 분석해 사용자 행동 정보가 많이 필요한 협업 필터링의 단점을 해결할 수 있다. 하지만 다양한 형식의 항목을 추천하기 어렵다.
현재 우리는 일상에서 많은 추천 알고리즘을 접하고 있다. 본 기사를 통해 ‘추천 알고리즘’에 대한 궁금증이 풀렸기를 희망한다. 더불어 추천 콘텐츠를 이해하고 사용하는 자세가 필요하다./ 이소윤 기자
