유튜브를 열었는데 평소 자주 보는 주제의 영상이 먼저 보이고, 쇼핑몰에서는 관심 있게 살펴본 상품과 비슷한 제품이 계속 추천되는 경험을 해본 적이 있을 것입니다. 음악 앱에서는 자주 듣는 장르와 비슷한 노래를 골라주고, OTT 서비스에서는 이전 시청 기록을 바탕으로 새로운 작품을 추천하기도 합니다.
이처럼 우리가 자주 사용하는 서비스 뒤에는 추천 알고리즘이 작동하고 있습니다.
추천 알고리즘은 사용자의 행동을 분석해 다음에 관심을 가질 가능성이 높은 콘텐츠나 상품을 보여주는 기술입니다. 최근에는 AI가 여기에 활용되면서 추천 결과가 점점 더 개인화되고 있습니다.
그렇다면 AI는 어떻게 사용자의 취향을 알아내고, 왜 어떤 추천은 놀랄 만큼 정확하게 느껴질까요?
목차
추천 알고리즘은 사용자의 행동을 분석합니다
AI가 사용자의 취향을 알아내는 가장 기본적인 방법은 행동 기록을 분석하는 것입니다.
예를 들어 영상 서비스에서는
어떤 영상을 클릭했는지
얼마나 오래 시청했는지
중간에 바로 나갔는지
좋아요를 눌렀는지
비슷한 영상을 연속으로 봤는지
같은 정보를 참고할 수 있습니다.
쇼핑몰에서는 어떤 상품을 검색했는지, 어떤 상품 페이지를 오래 봤는지, 장바구니에 무엇을 담았는지 등이 추천에 영향을 줄 수 있습니다.
즉, AI가 사용자의 마음을 직접 읽는 것은 아닙니다.
사용자가 서비스 안에서 남긴 여러 행동을 분석해 ‘이 사람은 이런 것에 관심이 있을 가능성이 높다’고 추측하는 것입니다.
한 번의 클릭보다 반복되는 행동이 중요합니다
어떤 영상을 한 번 클릭했다고 해서 AI가 바로 사용자의 취향이라고 판단하는 것은 아닙니다.
실수로 눌렀을 수도 있고, 잠깐 궁금해서 본 것일 수도 있기 때문입니다.
대신 비슷한 행동이 반복되면 관심 신호가 더 강해질 수 있습니다.
예를 들어 한 사용자가 며칠 동안 러닝 관련 영상을 계속 보고, 운동화 리뷰를 찾아보고, 마라톤 영상을 오래 시청했다면 추천 시스템은 이 사용자가 러닝에 관심이 있다고 판단할 가능성이 높아집니다.
그 이후에는 운동 영상, 러닝 장비, 마라톤 관련 콘텐츠 등이 더 자주 추천될 수 있습니다.
추천 알고리즘은 한 번의 행동보다 여러 행동이 쌓이면서 만들어지는 패턴을 중요하게 봅니다.
나와 비슷한 사람의 행동도 참고할 수 있습니다
추천 시스템은 사용자의 행동만 보는 것이 아닙니다.
나와 비슷한 취향을 가진 다른 사람들이 무엇을 좋아했는지도 참고할 수 있습니다.
예를 들어 A라는 사람이 영화 10편을 봤는데 그중 8편이 나와 겹친다고 가정해보겠습니다.
A가 최근에 새로운 영화를 한 편 재미있게 봤다면 추천 시스템은
“취향이 비슷한 두 사람이므로 이 영화도 좋아할 가능성이 높다”
고 판단할 수 있습니다.
이러한 방식을 협업 필터링이라고 부릅니다.
쇼핑몰에서
“이 상품을 본 사람들이 함께 본 상품”
이라는 추천이 나타나는 것도 비슷한 개념으로 이해할 수 있습니다.
많은 사용자의 행동 데이터를 비교하면서 비슷한 패턴을 찾는 것입니다.
콘텐츠 자체의 특징도 분석합니다
추천 알고리즘은 사용자 행동뿐 아니라 콘텐츠 자체의 특징도 분석할 수 있습니다.
예를 들어 음악이라면 장르, 분위기, 템포, 악기 구성 등을 살펴볼 수 있습니다.
영화라면 장르, 배우, 감독, 이야기 소재 같은 요소를 활용할 수 있습니다.
사용자가 특정 특징의 콘텐츠를 반복해서 선택한다면 비슷한 특징을 가진 다른 콘텐츠를 추천하는 방식입니다.
예를 들어 추리 영화를 자주 보고 특정 배우가 출연한 작품을 계속 선택했다면 비슷한 장르나 같은 배우가 나오는 작품을 추천할 수 있습니다.
이처럼 AI 추천은 단순히 인기 순위를 보여주는 것이 아니라 사용자와 콘텐츠의 특징을 함께 비교하면서 개인별 결과를 만들 수 있습니다.
오래 본 콘텐츠는 강한 관심 신호가 될 수 있습니다
추천 시스템에서는 사용 시간이 중요한 정보로 활용될 수 있습니다.
영상의 제목이 마음에 들어 클릭했지만 몇 초 만에 나갔다면 실제 관심이 크지 않았다고 볼 수 있습니다.
반대로 긴 영상을 끝까지 봤다면 해당 주제에 관심이 있을 가능성이 높습니다.
이 때문에 영상 서비스에서는 단순한 클릭 수뿐 아니라 시청 시간이나 시청 완료율 같은 요소가 중요하게 작용할 수 있습니다.
하지만 모든 행동을 단순하게 해석할 수 있는 것은 아닙니다.
영상이 재미없어서 끝까지 본 것이 아니라 다른 일을 하면서 자동재생된 경우도 있을 수 있습니다.
그래서 추천 시스템은 여러 종류의 행동을 함께 분석해 사용자의 관심을 추정합니다.
추천 결과는 계속 바뀔 수 있습니다
사람의 취향은 항상 똑같지 않습니다.
한동안 여행 영상만 보다가 운동에 관심을 가질 수도 있고, 특정 기간에는 자동차 관련 정보를 집중적으로 찾아볼 수도 있습니다.
추천 알고리즘도 이런 변화를 반영하려고 합니다.
최근에 어떤 콘텐츠를 많이 봤는지, 예전 관심사가 지금도 유지되고 있는지 등을 분석하면서 추천 결과를 계속 조정합니다.
예를 들어 이사를 준비하면서 가구를 며칠 동안 검색하면 쇼핑몰에서 가구와 인테리어 상품이 많이 추천될 수 있습니다.
이사가 끝난 뒤 해당 상품을 더 이상 보지 않으면 시간이 지나면서 다른 관심사의 추천이 늘어날 수 있습니다.
즉, 추천 알고리즘이 만들어내는 취향은 고정된 것이 아니라 사용자의 행동에 따라 계속 변할 수 있습니다.
인기 있는 콘텐츠도 추천에 영향을 줍니다
모든 추천이 개인 취향만으로 결정되는 것은 아닙니다.
많은 사람들이 관심을 보이는 인기 콘텐츠도 추천에 포함될 수 있습니다.
새로운 사용자는 아직 행동 기록이 거의 없기 때문에 개인 취향을 판단하기 어렵습니다.
이런 경우 서비스는 현재 인기 있는 콘텐츠나 비슷한 연령대의 사용자가 많이 보는 콘텐츠 등을 먼저 보여줄 수 있습니다.
사용자가 서비스를 이용하면서 기록이 쌓이면 점점 개인화된 추천이 늘어나는 방식입니다.
추천 시스템은 개인 취향과 전체 이용자의 인기 흐름을 적절하게 섞어 결과를 만드는 경우가 많습니다.
추천이 너무 정확하게 느껴지는 이유는 무엇일까요?
추천이 놀랄 만큼 정확하게 느껴질 때가 있습니다.
방금 관심을 가진 상품과 비슷한 광고가 보이거나 최근 보기 시작한 주제의 콘텐츠가 계속 나타나는 경우입니다.
이 때문에 AI가 사용자의 생각을 읽고 있다고 느낄 수도 있습니다.
하지만 대부분의 경우 사용자가 남긴 행동 기록이 예상보다 많기 때문입니다.
검색, 클릭, 시청 시간, 구매 기록, 관심 목록 등 서비스 안에서 발생한 여러 행동이 하나의 패턴으로 연결될 수 있습니다.
사람은 자신의 행동 하나하나를 기억하지 않지만 시스템은 많은 기록을 동시에 비교할 수 있습니다.
이 차이 때문에 추천 결과가 마치 사용자의 생각을 미리 알고 있는 것처럼 느껴질 수 있습니다.
추천 알고리즘에도 단점이 있습니다
추천 기능은 편리하지만 항상 좋은 결과만 만드는 것은 아닙니다.
사용자가 좋아할 만한 콘텐츠만 계속 보여주면 새로운 정보를 접할 기회가 줄어들 수 있습니다.
예를 들어 특정 관점의 영상만 반복해서 본다면 비슷한 내용이 계속 추천되면서 다른 관점을 접하기 어려워질 수 있습니다.
이를 필터 버블이라고 표현하기도 합니다.
관심 있는 정보만 계속 보게 되면서 자신이 보고 있는 정보가 세상의 전체 모습이라고 생각하게 될 수 있다는 의미입니다.
그래서 추천 서비스를 이용할 때는 추천 목록만 보는 것보다 가끔 직접 새로운 주제를 검색해보는 것도 좋습니다.
개인정보와 추천의 관계도 생각해볼 필요가 있습니다
개인화 추천을 만들기 위해서는 어느 정도 사용자 데이터가 필요합니다.
어떤 콘텐츠를 봤는지, 어떤 상품을 클릭했는지 등의 정보가 추천에 활용될 수 있기 때문입니다.
따라서 서비스를 이용할 때 어떤 정보가 수집되고 어떻게 사용되는지를 확인하는 것도 중요합니다.
서비스에 따라 추천 기록을 삭제하거나 개인화 기능을 끄는 옵션을 제공하기도 합니다.
또한 여러 사람이 하나의 계정을 함께 사용하면 추천 결과가 뒤섞일 수 있습니다.
가족이 같은 영상 계정을 함께 사용했는데 전혀 관심 없는 콘텐츠가 추천되는 이유가 여기에 있을 수 있습니다.
개인화 추천은 사용자의 기록을 바탕으로 만들어지기 때문에 계정을 어떻게 사용하는지도 결과에 영향을 줄 수 있습니다.
추천 알고리즘을 내 취향에 맞게 조정할 수도 있습니다
추천 알고리즘은 사용자의 행동을 계속 학습하기 때문에 행동을 바꾸면 추천 결과에도 영향을 줄 수 있습니다.
관심 없는 콘텐츠에 ‘관심 없음’을 선택하거나 특정 채널의 추천을 줄이는 기능을 사용할 수 있습니다.
반대로 좋아하는 콘텐츠를 저장하거나 끝까지 시청하면 해당 관심사가 추천에 더 많이 반영될 수 있습니다.
잘못된 추천이 계속 나타난다면 시청 기록이나 검색 기록을 확인해보는 것도 방법입니다.
예전에 잠깐 찾아봤던 내용이 계속 추천에 영향을 주고 있을 수도 있기 때문입니다.
즉, 추천 알고리즘이 일방적으로 사용자의 취향을 결정하는 것은 아닙니다.
사용자가 서비스를 이용하는 방식에 따라 추천 결과도 계속 달라집니다.
AI 추천은 선택을 대신하기보다 선택지를 줄여주는 기술입니다
인터넷에는 사람이 모두 확인하기 어려울 정도로 많은 콘텐츠와 상품이 있습니다.
영상 서비스에는 수많은 영상이 올라오고, 쇼핑몰에는 셀 수 없이 많은 상품이 등록됩니다.
이 가운데 사용자가 관심을 가질 가능성이 높은 몇 가지를 먼저 보여주는 것이 추천 알고리즘의 역할입니다.
AI는 사용자의 행동과 콘텐츠의 특징을 비교하면서 선택지를 줄여주는 역할을 할 수 있습니다.
하지만 마지막 선택은 여전히 사용자가 합니다.
추천 목록의 첫 번째 콘텐츠가 반드시 가장 좋은 콘텐츠라는 의미는 아닙니다.
AI가 보여주는 결과는 여러 가능성 가운데 하나일 뿐입니다.
추천 알고리즘을 이해하면 인터넷을 보는 방식도 달라집니다
우리가 인터넷에서 보는 화면은 모든 사람에게 똑같지 않습니다.
같은 영상 앱이나 쇼핑몰을 열어도 사용자마다 다른 콘텐츠가 나타날 수 있습니다.
그 차이를 만드는 핵심 기술 가운데 하나가 AI 추천 알고리즘입니다.
추천 시스템은 사용자의 행동을 분석하고, 비슷한 사람의 취향과 비교하며, 콘텐츠의 특징까지 살펴보면서 관심을 가질 가능성이 높은 결과를 찾아냅니다.
이 덕분에 원하는 정보를 빠르게 찾을 수 있지만, 동시에 비슷한 정보만 계속 보게 될 가능성도 있습니다.
따라서 추천 기능을 편리하게 사용하면서도 AI가 보여주는 화면이 인터넷의 전부는 아니라는 점을 기억하는 것이 좋습니다.
AI가 내 취향을 완벽하게 아는 것이 아니라 지금까지 남긴 행동을 바탕으로 다음 선택을 예상하고 있다는 사실을 이해하면 추천 서비스를 조금 더 주도적으로 사용할 수 있습니다.