스마트폰이나 컴퓨터를 켜면 우리가 좋아할 만한 콘텐츠가 쏟아진다. 스트리밍 서비스에서 ‘토이스토리’를 본 다음, ‘몬스터 주식회사’가 자동으로 추천되는 순간, 우리는 이미 알고리즘의 손길 속에 있다. 그렇다면 이러한 추천은 어떻게 만들어지는 걸까?
콘텐츠를 닮은 콘텐츠를 고르다
추천 시스템의 가장 기본적인 방법 중 하나는 콘텐츠 기반 필터링이다. 이는 콘텐츠 자체의 특징을 분석해 추천하는 방식으로, 장르, 키워드, 배우, 줄거리 등 메타데이터를 활용한다. 예를 들어, ‘토이스토리’의 장르와 줄거리를 분석하면 비슷한 특징을 가진 ‘몬스터 주식회사’나 ‘업’ 같은 영화가 자연스럽게 추천된다. 콘텐츠 기반 필터링은 본질적인 정보를 바탕으로 추천을 제공하고, 새로운 콘텐츠도 처리할 수 있다는 장점이 있지만, 지나치게 특정화되어 새로운 발견을 제공하기 어렵다는 한계도 있다.
나와 비슷한 사람의 취향을 따라가다
다른 방법으로는 협업 필터링이 있다. 협업 필터링은 나와 다른 사용자의 행동 데이터를 비교해 추천을 제공한다. 어떤 영화를 보고 평가했는지, 검색했는지 등의 데이터를 분석해, 나와 취향이 비슷한 사람이 좋아한 콘텐츠를 나에게 추천하는 것이다. 실제 사례를 보면, 토이스토리를 좋아한 사람들이 함께 좋아한 ‘인사이드 아웃’이나 ‘몬스터 주식회사’가 추천되는 식이다. 협업 필터링은 예상치 못한 추천 발견이 가능하고 복합적 취향을 반영할 수 있다는 장점이 있지만, 신규 사용자나 신규 콘텐츠에 대한 정보가 부족한 ‘콜드 스타트’ 문제와 데이터 희소성 문제라는 한계가 있다.
편리함 뒤에 숨은 그림자, 그리고 우리의 선택
이처럼 추천 알고리즘은 단순히 편리함만 제공하지 않는다. 추천 → 소비 → 데이터 수집 → 다시 맞춤 추천이라는 무한으로 반복하는 피드백 루프를 통해 우리의 취향을 점점 더 세밀하게 추적한다. 이 과정에서 나의 관심사만 반복적으로 보여주어 세상을 보는 시야가 좁아지는 필터 버블 현상이 생기기도 한다. 다양한 미디어 분야에서 이런 현상이 나타나며, 우리는 자신도 모르게 특정 콘텐츠에 몰입하게 된다. 최근에는 알고리즘에 잘 걸리는 추천 친화적 콘텐츠 제작이 늘고 있다. 창작자들은 더 많은 사람에게 노출되기를 바라지만, 그 과정에서 예술적 도전과 창의성이 제한될 수 있다. 즉, 알고리즘은 우리의 선택뿐 아니라 창작의 방향까지 바꾸고 있는 셈이다.
그렇다면 우리는 어떻게 해야 할까? 알고리즘을 이해하고 주기적으로 검색 기록이나 시청 기록을 관리하며, 추천 시스템이 내 관심을 좁히지 않도록 능동적으로 활용하는 것이 중요하다. 추천 알고리즘의 비밀을 알고 나면, 우리는 단순히 자동 추천에 끌려가는 것이 아니라, 진짜 원하는 콘텐츠를 더 똑똑하게 즐길 수 있다.
학생기자 오수연(SAS 10)
About The Author
