협업 필터링
나와 입맛이 비슷한 친구의 단골 맛집 리스트를 살짝 엿보고 메뉴를 추천받는 원리예요.
정의 협업 필터링(Collaborative Filtering)은 수많은 사람들의 행동 기록과 평가 데이터를 모아 분석한 뒤, 취향이 비슷한 사용자들이 좋아한 아이템을 나에게 추천해 주는 기술이에요. 콘텐츠의 줄거리나 성분을 일일이 분석하지 않고도, 사용자들의 집단적인 선택 패턴만으로 정확도 높은 맞춤 추천을 만들어내요.
나와 취향이 똑같은 친구 찾기
우리가 주말에 볼 영화를 고를 때, 평소 나와 영화 취향이 꼭 맞는 단짝 친구에게 "요즘 볼만한 거 없어?"라고 물어보는 경험이 다들 있을 거예요.
협업 필터링은 컴퓨터 속 수억 명의 이용자 중에서 나와 취향이 쏙 빼닮은 '보이지 않는 단짝'을 찾아내는 기술이에요. 예를 들어 내가 재미있게 본 영화 세 편을 똑같이 5점 만점으로 높게 평가한 다른 사람들을 데이터 분석을 통해 한순간에 묶어내죠.
그다음 그 사람들이 즐겨봤지만 나는 아직 보지 않은 또 다른 영화를 찾아서 내 화면에 띄워줘요. 이것을 사용자 기반 필터링이라고 불러요. 사람과 사람 사이의 취향 유사도를 수학적으로 계산해서 나만의 맞춤 목록을 완성하는 원리예요.
물건끼리의 찰떡궁합 짝꿍 찾기
사람을 찾는 대신, 물건끼리 함께 팔리는 짝꿍 관계를 분석하는 방법도 있어요. 대형 마트에서 삼겹살을 장바구니에 담은 사람들을 보면 대부분 쌈장과 상추를 함께 고르는 것과 같은 이치예요.
음악 스트리밍 서비스에서도 노래 A를 좋아하는 이용자 수백만 명이 노래 B도 함께 플레이리스트에 담았다면, 시스템은 두 노래가 서로 깊은 연관성을 지녔다고 판단해요. 가사나 멜로디의 특징을 전혀 몰라도 사람들의 청취 습관만 보고 관계를 알아채는 것이죠.
내가 노래 A를 재생하면 시스템은 이 짝꿍 관계를 바탕으로 노래 B를 다음 곡으로 추천해요. 이를 아이템 기반 필터링이라고 부르며, 사용자 수가 매우 많은 대형 플랫폼에서 빠르고 안정적인 추천을 제공할 때 널리 쓰여요.
조금 더 정확히 말하면: 첫 만남의 약점
협업 필터링은 매우 강력하지만 피하기 힘든 치명적인 약점도 안고 있어요. 바로 데이터가 전혀 없는 신규 가입자나 방금 등록된 신상품에는 아무런 추천도 해줄 수 없다는 점이에요.
비교할 과거 기록이 없다 보니 엔진이 차갑게 식어 멈춰버린다는 뜻에서 이를 콜드 스타트(Cold Start) 문제라고 불러요. 비슷한 취향을 가진 친구도, 함께 소비된 짝꿍 데이터도 아직 존재하지 않기 때문에 벌어지는 현상이에요.
그래서 오늘날의 똑똑한 추천 시스템들은 상품의 장르나 키워드를 직접 분석하는 기술을 함께 섞어 써요. 새 앱을 깔았을 때 좋아하는 음악 장르나 관심사를 먼저 선택하게 만드는 것도, 이 첫 만남의 공백을 채우기 위한 영리한 장치예요.
🤔 흔한 오해
협업 필터링은 영상의 줄거리나 음악의 장르를 인공지능이 직접 감상하고 분석해서 추천해 준다.
협업 필터링은 콘텐츠 내용 자체는 전혀 보지 않아요. 오직 사람들의 클릭, 시청 시간, 별점 같은 '행동 데이터'만 분석해서 추천해요.
🧺 일상에서 만나요
수많은 사람들의 선택 기록을 모아, 취향이 비슷한 이웃이나 짝꿍 아이템을 찾아 추천해 주는 알고리즘이에요.