AI 용어집 · 입문 · 전통 ML·추천·검색
추천 시스템 Recommender System
추천 시스템은 사용자의 과거 행동과 콘텐츠의 특징을 바탕으로, 그 사람이 좋아할 만한 상품·영상·글 등을 골라 보여 주는 소프트웨어입니다.
어떻게 작동하나
대표적인 방식은 두 가지입니다. 협업 필터링은 "나와 취향이 비슷한 사람들이 좋아한 것"을 추천하는 방식으로, 클릭·구매·시청 같은 행동 기록만으로도 작동합니다. 콘텐츠 기반 추천은 "내가 좋아한 것과 비슷한 특징을 가진 것"을 추천하는 방식으로, 장르·설명글·이미지 같은 콘텐츠 정보를 씁니다. 요즘은 사용자와 콘텐츠를 모두 임베딩(숫자 벡터)으로 바꾼 뒤 서로 가까운 것을 찾는 딥러닝 방식이 널리 쓰이며, 두 방식을 섞는 경우가 많습니다.
두 가지 기본 추천 방식
협업 필터링취향이 비슷한 사람 따라가기
- 행동 기록만으로 작동
- 뜻밖의 발견을 주기 쉬움
- 새 상품·새 사용자에 약함
콘텐츠 기반좋아한 것과 비슷한 것
- 장르·설명 등 특징을 씀
- 새 상품도 추천 가능
- 비슷한 것만 반복되기 쉬움
공통 실제 서비스는 두 방식을 섞어 쓰는 경우가 많음
큰 서비스에서는 어떻게 돌아가나
상품이나 영상이 아주 많은 서비스에서는 모든 항목을 한 사람에게 일일이 점수 매길 수 없습니다. 그래서 먼저 빠른 방법으로 후보를 크게 추리고, 그 후보만 더 정교한 모델로 순위를 매긴 뒤, 마지막에 중복이나 다양성 같은 규칙을 적용해 화면에 보여 줄 목록을 정합니다. 후보를 추릴 때는 벡터 DB나 ANN 검색이 자주 쓰입니다. 이런 단계 구조는 검색 결과를 리랭커로 다시 정렬하는 RAG의 흐름과도 닮았습니다.
후보를 줄여 가는 추천 단계
왜 중요한가
사람이 직접 찾아보기에는 선택지가 너무 많은 서비스에서 추천은 사용자가 원하는 것을 빨리 찾게 도와줍니다. 쇼핑, 동영상, 음악, 뉴스, 광고 등 많은 서비스의 첫 화면이 추천 결과로 채워집니다. 그래서 추천 품질은 사용자의 만족도와 서비스 매출에 직접 영향을 줍니다. 추천을 바꿨을 때 실제로 나아졌는지는 보통 A/B 테스트로 확인합니다.
알아 둘 점
새로 가입한 사용자나 새로 올라온 상품은 행동 기록이 없어서 추천이 어려운데, 이를 '콜드 스타트' 문제라고 합니다. 비슷한 것만 계속 추천하면 사용자가 좁은 취향에 갇히는 '필터 버블'이 생길 수 있습니다. 클릭 수만 늘리도록 최적화하면 자극적인 콘텐츠가 과하게 추천될 위험도 있습니다. 개인의 행동 기록을 쓰기 때문에 개인정보 보호와 추천 이유를 설명하는 투명성도 함께 고려해야 합니다.
예시
동영상 서비스의 홈 화면은 대표적인 추천 시스템 결과입니다. 사용자가 최근 끝까지 본 영상, 건너뛴 영상, 비슷한 시청 기록을 가진 다른 사람들의 선택을 바탕으로 후보를 고르고, 그중 볼 가능성이 높은 순서로 화면을 채웁니다. 온라인 쇼핑몰의 "이 상품을 본 고객이 함께 본 상품" 영역도 같은 원리로 만들어집니다. 최근에는 LLM을 활용해 추천 이유를 문장으로 설명하거나, 대화하며 취향을 물어보고 추천하는 방식도 시도되고 있습니다.