추천 기법의 조합으로 정확성 제고

스포티파이의 추천 모델은 하나의 뛰어난 추천 모델이 아닌 여러 개의 추천 모델을 조합하여 사용하는데 스포티파이에서 사용하는 핵심적인 추천 모델 3가지는 다음과 같다.

- 협업 필터링 모델(Collaborative Filtering Model)
- 자연어 처리 모델(NLP: Neural Language Processing Model)
- Raw 오디오 모델

 [그림 1] 스포티파이 추천 모델 조합

 

협업 필터링 모델은 사용자(User)의 곡(Item) 청취여부를 메트릭스 형태로 데이터화 하여 사용자 간 청취 유사성을 기반으로 추천하는 모델이다.

[그림 2] 자연어 처리 모델 예시

 

자연어 처리 모델은 곡의 메타데이터, 뉴스, 블로그, 소셜 사이트 등에서 특정 곡 또는 아티스트에 대해 이야기 되는 텍스트 데이터를 수집하여 곡 별로 수천 개의 단어 세트(Top Terms 또는 Cultural Vectors)를 매일 매일 업데이트 한다. 이렇게 생성된 단어 세트를 기반으로 협업 필터링과 유사한 방식으로 곡과 곡, 아티스트와 아티스트 간의 유사성을 수치화 하여 계산하는 방식의 모델이다.

Raw 오디오 모델은 곡의 오디오 원천(Raw) 정보(time signature, key, mode, tempo, loudness 등)를 통해 곡 간 유사도를 도출하는 모델이다.

곡의 오디오 원천 정보를 데이터화 하는데에는 많은 시간과 노력이 들어가기 때문에 스포티파이에서는 Raw 오디오 파형 소스를 1차적으로 이미지 형태로 변환하였다. 이미지로 변환된 오디오 파일들은 딥러닝 알고리즘인 CNN(Convolutional Neural Network)을 통해 유사도를 도출하는 방식을 적용하였다.

[그림 3] Raw 오디오 모델 예시

Raw 오디오 모델은 협업 필터링 모델과 자연어 처리 모델을 보완하는 관점에서 사용된다.

즉, 발표된 지 오래되어 청취된 이력 데이터가 충분하고, 데뷔한 지 오래되어 소셜 상에서 회자된 데이터가 충분한 곡과 가수에 대해서는 협업 필터링 모델과 자연어 처리 모델을 통해 추천을 할 수 있다. 그러나 충분한 케이스가 쌓이지 않은 신곡, 신인의 경우에는 위 2가지 모델을 적용시킬 경우 제대로 된 유사성을 도출할 수 없다.

이러한 경우에는 Raw 오디오 모델을 통해 신곡과 구곡 간의 유사성을 비교함으로써 추천에 보조적으로 활용할 수 있다.

이상과 같이 스포티파이는 복합 추천 모델 운용 방식은 시사하는 바가 크다. 현재까지 대부분의 한국 기업에서 추천 모델을 구현하는 방식은 다양한 정형/비정형 데이터를 변수화 하고, 다양한 알고리즘을 앙상블하여 하나의 뛰어난 추천 모델을 만드는 데 포커스가 맞추어져 왔다.

그러나 어떤 뛰어난 알고리즘이라도 허점을 가질 수 밖에 없다. 이러한 관점에서 볼 때, 추천 모델 적용 시 여러 관점의 추천 모델을 복합적으로 사용함으로써 매칭 정확도와 오류를 최소화 할 수 있는 방식에 대한 접근이 필요하다.

 

Reward 기능을 통한 추천 시스템의 지속적 강화

스포티파이를 사용하는 대부분의 사용자들이 공통적으로 언급하는 스포티파이 Lock-In의 요소는 다른 음악 스트리밍 업체와는 비교할 수 없을 스포티파이만의 추천 정확도이다. 즉 추천의 정교함이 가져다 주는 스포티파이만의 고객경험은 거대 자본의 음악 스트리밍 업체를 압도하는 가장 강력한 무기이다.

이를 위해 스포티파이에서는 추천 시스템을 지속적으로 재강화 할 수 있는 보상(Reward) 체계를 운영하고 있다.
 

[그림 4] 스포티파이의 보상체계 예시

또한 이러한 보상 체계는 또 하나의 개인화 된 알고리즘이 작동하는 영역인데 플레이 시간 30초라는 보상 기준을 모든 사용자들에게 동일하게 적용할 수 있을까?

예를 들면 Sleep 플레이리스트를 듣는 사용자는 일반적인 플레이리스트를 듣는 사용자보다 기본적으로 청취시간이 길다. 또한 Jazz 플레이리스트를 듣는 사용자는 다른 플레이리스트를 듣는 사용자보다 청취시간이 평균적으로 길다.

이러한 청취하는 사용자와 플레이리스트에 따른 기본 청취시간의 차이를 반영한 개인화 된 보상체계를 추천 시스템인 BaRT에 적용함으로써 최고의 정교함을 가진 추천에 대한 고객 경험을 제공하고 있다.

현재 추천시스템을 운영하거나 테스트 중이지만 마케터/MD/현장 영업자들로부터 추천이 정확하지 않아 실제 효과가 없다는 부정적인 피드백을 받는 기업들은 스포티파이의 추천 방식을 주목해 볼 필요가 있다. 즉, 다양한 주제별 추천방식(Shelf-Card), 복합 추천모델 적용, 보상체계 적용방식을 해당 비즈니스에 맞게 커스터마이징 한다면 한층 더 정확하고 고객에게 좋은 경험을 주는 추천 시스템을 제공할 수 있을 것이다.

 

* 본 칼럼은 ‘스포티파이의 고객경험 접근 방식 1부’의 후속 글입니다.
* 본 칼럼은 ‘스포티파이의 고객경험 접근 방식 3부’로 이어집니다.