이번 글에서는 추천 시스템에서 자주 사용되는 협업 필터링(Collaborative Filtering)에 대해 이야기해보려고 합니다.
넷플릭스에서 영화를 추천받거나 쿠팡에서 쇼핑할 때 "이거 너 좋아할 것 같은데?"라는 느낌으로 제안이 오곤 합니다. 그 배경에는 바로 협업 필터링이라는 기술이 숨어 있습니다. 이 글에서는 협업 필터링이 무엇인지, 어떻게 작동하는지, 그리고 어떤 장단점이 있는지 알아보겠습니다.
1. 협업 필터링의 정의
협업 필터링이라는 이름은 "협업(Collaboration)"과 "필터링(Filtering)"이라는 두 단어에서 왔습니다."협업"은 사용자들이 서로의 정보를 공유하며 협력한다는 뜻이고, "필터링"은 그 정보를 바탕으로 사용자가 좋아할 만한 것을 걸러낸다는 의미입니다.
즉, 협업 필터링은 사용자들의 과거 행동 데이터를 모아서 비슷한 취향을 가진 사람들이 좋아한 것을 추천하는 방식입니다. 예를 들어, 친구가 "나 이 영화 진짜 재밌게 봤는데, 너도 좋아할 거야!"라고 추천해주는 상황을 떠올리면 됩니다. 실제로 협업 필터링은 이런 아이디어를 시스템적으로 구현한 것이기 때문입니다.
쉽게 말해, "너와 나의 취향이 비슷하니까, 네가 좋아한 걸 나도 좋아할 가능성이 높다"는 개념을 기반으로 작동합니다. 영화, 음악, 쇼핑 등 우리가 매일 접하는 추천 시스템의 핵심 기술 중 하나입니다.
2. 협업 필터링의 작동방식
협업 필터링은 크게 사용자 기반 협업 필터링, 아이템 기반 협업 필터링 두 가지 방법으로 나뉩니다. 이 두 방식은 비슷한 점도 있지만, 접근법이 조금 다릅니다.
2-1. 사용자 기반 협업 필터링: "나와 비슷한 사람 찾기"
사용자 기반 협업 필터링은 나와 취향이 비슷한 사람(이웃)을 찾아서, 그들이 좋아한 것을 나에게 추천해 줍니다. 사용자 기반 협업 필터링의 작동 방식은 다음과 같습니다.
- 사용자들이 과거에 남긴 데이터를 봅니다(예: 영화 평점).
- 나와 비슷한 취향을 가진 사람들을 찾습니다(유사도 계산).
- 그 사람들이 좋아한 아이템을 나에게 추천해줍니다.
예시: 내가 영화 '어벤져스'와 '토이 스토리'를 좋아했는데, 나와 비슷한 취향의 친구가 '스파이더맨'을 좋아했다면, 시스템이 나에게 '스파이더맨'을 추천하는 식입니다.
2-2. 아이템 기반 협업 필터링: "내가 좋아한 것과 비슷한 것 찾기"
아이템 기반 협업 필터링은 내가 좋아한 아이템과 비슷한 아이템을 찾아서 추천해주는 방식입니다. 아이템 기반 협업 필터링의 작동 방식은 다음과 같습니다.
- 아이템 간의 유사도를 계산합니다(예: 많은 사람들이 동시에 좋아한 아이템).
- 내가 좋아한 아이템과 비슷한 아이템을 찾습니다.
- 그 아이템을 나에게 추천해줍니다.
예시: 내가 '어벤져스'를 좋아했는데, '어벤져스'와 비슷한 영화(예: '아이언맨')가 있다면, 시스템이 '아이언맨'을 추천해줍니다.
3. 협업 필터링 예시: 영화 추천으로 이해해보기
간단한 예시를 들어보겠습니다. 먼저, 세 명의 사용자가 영화에 1~5점의 평점을 줬다고 해보겠습니다.
사용자 1: 영화 A(5점), 영화 B(4점), 영화 C(3점)
사용자 2: 영화 A(4점), 영화 B(5점), 영화 D(2점)
사용자 3: 영화 C(5점), 영화 D(4점)3-1. 사용자 기반으로 추천한다면?
사용자 1과 사용자 2는 영화 A와 B에 비슷한 평점을 줬습니다. 그러니까 이 둘은 취향이 비슷하다고 볼 수 있습니다.
이를 통해 알 수 있는 정보는, 사용자 1은 영화 D를 아직 안 봤는데, 사용자 2가 영화 D에 2점을 줬으니, 사용자 1도 영화 D를 별로 안 좋아할 가능성이 높습니다.
반면, 사용자 3은 영화 C와 D를 좋아했으니 사용자 1과는 취향이 다르다고 판단할 수 있습니다.
3-2. 아이템 기반으로 추천한다면?
영화 A와 영화 B는 많은 사람들이 동시에 좋아했습니다(사용자 1, 2 모두 높은 점수). 따라서, 영화 A를 좋아한 사용자 1에게 영화 B를 추천하는 식으로 진행됩니다. 이런 식으로 협업 필터링은 유사성을 기반으로 추천을 만들어줍니다.
4. 협업 필터링의 장점과 단점
4-1. 장점
- 개인화된 추천: 내 과거 행동을 바탕으로 나만을 위한 추천을 해줍니다.
- 새로운 발견: 내가 몰랐던 영화나 물건을 찾을 수 있게 도와줍니다.
- 간단한 데이터로 가능: 영화의 장르나 배우 같은 세부 정보 없이도 평점 데이터만 있으면 추천이 가능합니다.
4-2. 단점
- Cold Start 문제: 새로운 사용자나 새로운 영화는 데이터가 없어서 추천하기 어렵습니다. 예를 들어, 내가 처음 가입했거나 새로운 영화가 추가되면 시스템이 당황할 수 있습니다.
- 희소성 문제: 모든 사용자가 모든 영화에 평점을 주는 게 아니니까 데이터가 부족할 때가 많습니다.
- 계산 비용: 사용자나 영화가 많아질수록 유사도를 계산하는 데 시간이 오래 걸릴 수 있습니다.
5. 결론
협업 필터링은 사용자들의 데이터를 활용해서 개인 맞춤형 추천을 제공하는 기술입니다. 친구가 추천해준 영화를 보는 것처럼, 비슷한 취향을 가진 사람들의 정보를 바탕으로 나에게 딱 맞는 것을 찾아줍니다. 물론 Cold Start나 희소성 같은 한계도 있지만, 이를 보완하는 방법(예: 인기 있는 영화를 기본 추천하기)과 함께 사용하면 더 강력해질 수 있습니다.
