예시와 함께 넷플릭스 추천엔진 이해하기 : 사용자 기반 필터링을 중심으로 - BizSpring BLOG
핵심 요약
- 넷플릭스 추천엔진의 핵심인 협업 필터링(Collaborative filtering)을 사용자 기반/아이템 기반 필터링으로 나눠 설명하는 글이다.
- 사용자 기반 필터링은 나와 취향이 비슷한 고객이 좋아한 상품을 추천하는 기법으로, 서점 사이트의 '함께 구매한 책' 추천이 대표 사례다.
- 피어슨 상관계수를 이용해 유저 간 선호도 유사성을 계산하고 신제품에 대한 선호도 점수를 예측하는 과정을 구체적 수치 예시로 보여준다.
- 비즈스프링은 협업 필터링 기반 알고리즘을 연구 중이며, 이를 통해 고객별 상품 선호도 분석과 추천 서비스를 제공하고자 한다.
예시와 함께 넷플릭스 추천엔진 이해하기 : 사용자 기반 필터링을 중심으로 - BizSpring BLOG
콘텐츠로 건너뛰기
내비게이션 메뉴
인사이트
테크
활용 방법/사례
활용 방법/사례
성공사례
성공 사례 일반
광고/마케팅 에이전시
이커머스
미디어/콘텐츠
금융/핀테크
의료/헬스케어
통신/인터넷
뉴스/트렌드
릴리즈 노트
인터넷트렌드 ↗
웹사이트 ↗
# 예시와 함께 넷플릭스 추천엔진 이해하기 : 사용자 기반 필터링을 중심으로
2019년 12월 09일 2023년 07월 13일
테크
Netflix에서 영화나 드라마를 보는 소비자들 중 60%는 Netflix가 추천해준 영화나 드라마를 시청한다고 합니다. 그 만큼 개인의 취향에 맞춰 추천해준다는 것인데요.
그렇다면, 넷플릭스는 개인의 취향을 어떻게 알고 추천해주는 것일까요? 바로, 데이터마이닝 알고리즘 중 크게 ‘협업 필터링(Collaborative filtering)’ 기법을 사용합니다. ‘협업 필터링’ 기법은 ‘사용자 기반 필터링(User-based filtering)’ 과 ‘아이템 기반 필터링(Item-based filtering)’으로 나뉩니다.
두가지 세션으로 나눠서 알아볼텐데요. 오늘은 ‘협업 필터링(Collaborative filtering)’ 기법 중 사용자 기반 필터링(User-based filtering)과 아이템 기반 필터링(Item-based filtering)이 무엇인지 알아보고 예시와 함께 사용자 기반 필터링을 이해해보겠습니다.
먼저 사용자 기반 필터링과 아이템 기반 필터링이 무엇인지 알아봅니다.
- 사용자 기반 필터링(User-based filtering) 이란
고객 간의 선호도를 분석하여 나와 유사한 성향의 고객이 좋아한 상품/콘텐츠를 추천하는 기법 입니다.
우리는 흔히 쇼핑몰의 연령대별 관심 상품 추천이나 영화/도서 추천과 같은 서비스들을 통해 경험하고 있죠. 아래 이미지는 제가 자주 이용하는 인터넷 서점 사이트입니다.
Yes 24 홈페이지
‘이 책을 구입하신 분들이 함께 산 책’, ‘이 책을 구입하신 분들이 많이 산 책’은 저와 유사한 책을 구매한, 그러니까 유사한 선호도(구매)을 가진 분들의 상품/콘텐츠(책)를 추천해주는 것이죠. ‘이 책을 구입하신 분들이 많이 산 책’ 추천 목록에서는 실제로 제가 이미 갖고 있는 책들, 구매하려고 했던 책들이 포함되어 있었습니다.
- 아이템 기반 필터링(Item-based filtering) 이란
영화나 드라마 자체의 아이템들의 유사도와 사용자의 선호도를 기준으로 추천하는 기법 입니다. 예를 들면, 선호 장르를 분석해서 영화 추천이나 유사 기사 추천같은 서비스를 경험하신 적이 있을 겁니다.
이제 하나씩 예시를 통해 알아보겠습니다. 협업 필터링 기법을 기술적인 관점에서 살펴보겠습니다.
신규 상품 ‘녹용’이 출시된 후, 아래와 같이 구매한 고객과 구매하지 않은 고객이 있다고 가정해보겠습니다. 우리는 어떤 유저에게 ‘녹용’을 추천해줘야 할까요?
유저별 선호도 점수
유저별 선호도 점수를 보고 눈으로 답을 찾아보겠습니다.
- User Koo 과 User Lee 는 어떤가요?
– Item 별 선호도 점수를 보니, 반대성향인 것 같습니다.
- User Koo 과 User Ok 은 어떤가요?
– 비슷한 듯 하기도 하고, 아닌 것 같기도 하고.. 그래도 User Ok 은 User Lee 보다는 User Koo 와 유사해 보입니다.
그렇다면, User Ok 은 ‘녹용’에 대한 선호도 점수를 ‘5’점을 주었는데, 2)번 질문처럼 User Ok 은 User Jung 과 유사해 보이니 User Jung 에게 ‘녹용’을 추천해야 할까요?
자, 기술적 접근으로 그 답을 찾아보겠습니다.
아이템에 대한 선호도 평가치를 이용하여 다른 유저와의 선호도 유사정도를 피어슨 상관계수로 정의하여 선호도 평가치를 예측해보겠습니다.
- User Koo 와 User Lee 의 유사성을 계산해봅니다.
User Koo와 User Lee 의 유사성 계산식
결과는 -0.8로 서로의 선호도가 다름 을 알 수 있습니다.
- 그렇다면, User Koo 의 신제품 ‘녹용’의 선호도를 예측해봅니다.
User Koo의 ‘녹용’ 선호도 계산식
User Koo 의 신제품 ‘녹용’의 선호도 예측 점수는 4.56입니다. User Ok 이 ‘녹용’에 준 선호도점수 5점과 유사하게, ‘녹용’제품을 선호할 것이라는 결과가 나옵니다.
결론적으로 우리가 눈으로 계산한 상식선의 선호도 예측 값과 협업 필터링을 통해 기술적으로 예측한 값이 크게 다르지 않았습니다.
‘에이~ 눈으로 보고 확인한 거랑 별반 다르지 않네. 그럼 감으로 일해도 되겠구나? 그런데 회원별로 선호도를 눈으로 다 조합해서 추천할 수도 없고… 사람이 하지 않고 자동화할 수는 없나?’ 아마 이런 생각들을 하실 것 같습니다. 하지만 현실에서는 실제 고객관리나 마케팅에 활용하기에는 먼 이야기처럼 느껴지고 또 전문 역량을 가진 데이터 분석가나 개발자가 있어야만 할 것 같은 생각이 앞섭니다.
이러한 어려움을 최소화하고 여러분의 비즈니스 성과향상을 돕고자 비즈스프링은 협업 필터링을 통한 알고리즘을 연구중입니다. 비즈스프링의 추천엔진을 통해 고객별 상품/콘텐츠에 대한 선호도를 분석하고, 유사한 성향의 고객이 좋아한 상품/콘텐츠를 추천할 수 있게 됩니다. 많은 관심 부탁드립니다.
이번에는 데이터 마이닝 알고리즘 중 사용자 기반 필터링과 아이템 기반 필터링이 무엇인지 알아보고, 예시를 통해 협업 필터링을 맛보았습니다. 이어서 ‘아이템 기반 필터링’ 에 대해서 알아보겠습니다. ?
Related Posts via Categories
구글애즈가 정확검색·구문검색 키워드까지 AI 모드에 노출하기 시작했다 — 자동화 상품 없이 AI 답변 화면에 들어가는 첫 실험
AI가 React 앱을 직접 디버깅 – Agent 기반 디버깅
ChatGPT 광고가 픽셀·전환 API·맞춤 오디언스를 갖췄다 — 답변 화면이 측정 가능한 광고 매체가 되는 순간
AI 시대, 데이터도 설명이 필요합니다
MCP 클라이언트는 Authorization Server를 어떻게 찾는가: 공식 MCP TypeScript SDK와 VS Code 구현 비교
RAG 시대의 GEO: AI가 콘텐츠를 읽는 방식과 스키마의 진짜 역할
AI 에이전트로 웹 데이터 수집 가능 여부 자동 검증하기
GA4 Intraday 실시간 테이블, 대시보드 원천 데이터로 바로 사용할 수 있을까?
워크플로우 오케스트레이션 플랫폼 Temporal 알아보기
iOS 14.5부터 GA4까지, 환경 변화가 가져온 업무 폭증을 해결하는 실무 전략은…?
다음에 대해 검색하기...
최신 글 둘러보기
기존 SEO와 무엇이 같고 무엇이 다른가
콘텐츠가 답인 걸 모르는 사람은 없습니다 — 문제는 지속입니다
광고비를 늘리지 않고 매출을 늘린 회사들은 무엇을 했나
코호트로 비교하면 광고 예산 판단이 달라집니다
GEO를 위한 글쓰기를 위한 작은 노하우
(해외동향) 광고주가 광고플랫폼 리포트에서 자체 측정으로 옮겨가고 있다.
구글애즈가 정확검색·구문검색 키워드까지 AI 모드에 노출하기 시작했다 — 자동화 상품 없이 AI 답변 화면에 들어가는 첫 실험
AI가 React 앱을 직접 디버깅 – Agent 기반 디버깅
ChatGPT 광고가 픽셀·전환 API·맞춤 오디언스를 갖췄다 — 답변 화면이 측정 가능한 광고 매체가 되는 순간
마케팅 자동화, 무엇부터 자동화해야 할까?
출처: https://blog.bizspring.co.kr/%ed%85%8c%ed%81%ac/%eb%84%b7%ed%94%8c%eb%a6%ad%ec%8a%a4-%ec%b6%94%ec%b2%9c%ec%97%94%ec%a7%84-%ec%82%ac%ec%9a%a9%ec%9e%90-%ea%b8%b0%eb%b0%98-%ed%95%84%ed%84%b0%eb%a7%81/
자주 묻는 질문
협업 필터링이란 정확히 무엇인가요?
협업 필터링은 데이터마이닝 알고리즘의 한 종류로, 고객의 선호도 데이터를 분석해 추천을 제공하는 기법입니다. 크게 사용자 기반 필터링과 아이템 기반 필터링으로 나뉩니다.
사용자 기반 필터링과 아이템 기반 필터링의 차이는 무엇인가요?
사용자 기반 필터링은 나와 비슷한 성향의 다른 고객이 좋아한 상품을 추천하는 방식입니다. 반면 아이템 기반 필터링은 상품(아이템) 자체의 유사도와 사용자의 선호도를 기준으로 추천하는 방식입니다.
선호도 예측은 어떻게 계산하나요?
본문에서는 아이템에 대한 선호도 평가치를 이용해 유저 간 유사도를 피어슨 상관계수로 계산합니다. 이 유사도를 바탕으로 특정 유저가 새로운 상품에 줄 것으로 예상되는 선호도 점수를 예측할 수 있습니다.
이런 추천 방식은 직접 감으로 판단해도 되지 않나요?
본문 예시에서는 눈으로 예측한 값과 협업 필터링으로 계산한 값이 크게 다르지 않았지만, 실제로는 회원별 선호도를 사람이 일일이 조합해 추천하기 어렵고 전문 데이터 분석 역량이 필요합니다. 그래서 알고리즘을 통한 자동화가 필요합니다.
비즈스프링도 이런 추천 기능을 제공하나요?
네, 비즈스프링은 협업 필터링을 통한 알고리즘을 연구 중이며, 이를 통해 고객별 상품/콘텐츠 선호도를 분석하고 유사한 성향의 고객이 좋아한 상품을 추천할 수 있도록 하는 추천엔진을 준비하고 있습니다.