Table Of Contents
Intro
이번 글은 추천 맛집으로 알려진 스포티파이에서 사용 되고 있는 추천 알고리즘에 대해 정리해보고자 합니다.
스포티파이에서 내 취향에 맞는 새로운 음악을 추천 받은 경험이 한번쯤 있지 않나요? 스포티파이는 세계 음원 스트리밍 점유율 30%로 1위를 차지하고 있는 기업입니다. 스포티파이 R&D 연구소는 질 좋은 데이터 수집과 분석을 바탕으로 추천 시스템을 연구하여 서비스에 활용하고 있습니다. 프로덕트에서 추천 시스템은 매출, 재방문율, 클릭율 상승을 불러 일으킬 수 있는 매력적인 도구가 되고 있습니다. 추천 알고리즘 등장 이후로 국내외 기업 비즈니스 분야에서 추천 시스템의 인기는 나날이 커지고 있습니다. 사용자들도 개인화 추천 서비스에 대한 관심과 기대치가 높아지고 있는데요. 그렇다면 스포티파이는 어떤 추천 알고리즘으로 음악을 추천해주고 있을까요?
스포티파이 추천시스템의 목적은 무엇일까? Match fan and artist
각 서비스마다 추천시스템의 목적은 다양합니다. 스포티파이의 추천 시스템의 목적은 아티스트와 팬의 연결고리를 이어주는 것입니다.
Verse1. 협업 필터링(Collaborative Filtering)
과거에 스포티파이는 협업 필터링 방식의 추천 시스템을 사용했었는데요. 협업 필터링 기반 추천시스템이란, 비슷한 취향을 갖은 사용자가 좋아한 아이템을 사용자에게 추천하는 방법입니다. 스포티파이는 홈 화면에서 개개인의 취향에 맞는 음악 플레이 리스트를 추천해주고 있습니다.
협업 필터링 추천 시스템은 사용자, 아이템, 사용자의 피드백(평점, 리뷰, 좋아요) 데이터를 바탕으로 추천을 해줍니다. 아이템(장르, 아티스트 프로필 등)과 사용자의 데이터를 기반으로 사용자에게 유사한 음악을 추천 해줍니다.
이 방식에는 2가지 경우의 전제가 있습니다.
- “2명의 사용자가 비슷한 음악을 들었습니다. 2명의 사용자는 음악 취향이 비슷하지 않을까?”
- “같은 그룹으로 분류된 사용자가 2곡의 노래를 들었습니다. 2개의 음악은 비슷하지 않을까?”
2가지 전제를 바탕으로 사용자에게 음악을 추천해주는 방식입니다.
하지만 협업 필터링 추천 방식의 문제점이 있지 않을까?
음악 도메인의 경우, 협업 필터링 알고리즘의 특화된 문제점은 사용자에게 새로 출시한 노래와 인기가 없는 노래를 추천할 수 없다는 점입니다. 분석할 데이터가 없으면 협업 필터링 접근 방식은 결국 무너질 수 밖에 없습니다. 이것을 콜드 스타트 문제라고 합니다.
스포티파이 R&D 팀의 목표는 새로운 음악이 출시되면 바로 추천해줄 수 있고, 사용자들이 들어본 적이 없는 멋진 음악을 추천해주는 것입니다. 이 콜드 스타트 문제를 해결하기 위해, 다른 접근의 추천 방식을 고려해볼 필요가 있었습니다.
스포티파이 R&D 팀의 새로운 알고리즘 연구 끝에 반딧 알고리즘을 활용한 BaRT 알고리즘이 등장합니다.
Verse2. BaRT(Bandits for Recommendations as Treatments) 알고리즘
스포티파이는 홈 화면에서 유저의 개인의 취향에 맞춰 음악 플레이 리스트를 추천해줍니다. 여기서 사용되는 추천 알고리즘이 BaRT 알고리즘입니다.
스포티파이는 사용자 추천을 제공하기 위해 ‘Exploitation vs Exploration’ 메커니즘을 채택합니다. 이는 탐색(Exploration)한 후, 활용(Exploitation)하고 다시 탐색하는 최적을 찾아가는 알고리즘 반딧 알고리즘(MAB) 방식입니다. BaRT 알고리즘은 사용자 청취 행동의 추세를 데이터를 통해 이해합니다. BaRT 알고리즘은 사용자의 호불호를 학습하고, 이에 따라 사용자가 듣고 싶어하는 다른 음악을 추천하도록 결정합니다. 스포티파이의 선곡은 슬롯머신에 베팅하는 방식과 비슷합니다. 사용자가 스포티파이의 추천된 음악을 들었다면, 스포티파이는 돈을 얻은 것이죠.
Chorus. 스포티파이의 추천 알고리즘 성공 기준 “ 단 30초”
스포티파이의 제품 책임자였던 매튜 오글(Matthew Ogle)는 쿼츠(Quartz) 매거진과의 인터뷰 中 ” 사용자들이 30초 이전에 어떤 곡을 건너 뛴다는 것은 그 음악을 좋아하지 않는다는 것과 마찬가지다.”
스포티파이는 추천된 음악을 30초 이상 들었을 때 알고리즘의 추천이 성공했다고 판단합니다. 사용자들이 추천된 음악을 실제로 듣는지, 얼마나 자주 듣는지에 대해 재생 시간을 확인합니다. 따라서 노래의 처음 29초가 마음에 들지 않으면 다시 들을 필요가 없도록 29초전에 건너뛰면 좀 더 취향에 맞는 음악 추천을 받을 수 있습니다.
Outro
개인화 추천 서비스에 대한 기업과 사용자의 니즈는 점차 커져가고 있습니다. 우리의 취향을 저격해주는 추천 알고리즘은 생각보다 똑똑합니다. 추천 시스템은 스포티파이와 같은 음악 뿐만 아니라 이커머스, 여행, 모빌리티 등 다양한 도메인 분야에서 활용되고 있습니다. 앞으로도 프로덕트에서 추천은 강력한 무기가 될 것입니다.
References
- https://research.atspotify.com/blog/
- https://benanne.github.io/2014/08/05/spotify-cnns.html
- https://towardsdatascience.com/how-spotify-recommends-your-new-favorite-artist-8c1850512af0
- 16.Friday - Music Recommendation at Spotify - Ben Carterette