추천 알고리즘의 작동 방식: 당신의 피드를 형성하는 AI

누군가 YouTube, TikTok 또는 유사한 앱을 열 때마다 소프트웨어는 수천 개의 가능한 동영상, 노래 또는 게시물을 분수의 일초 단위로 순위 매기고 먼저 표시할 소수를 결정한다. 이것이 추천 시스템이다: 사람이 수동으로 탐색하기에는 너무 큰 카탈로그에서 특정 사용자가 가장 원할 가능성이 높은 항목을 예측하도록 설계된 알고리즘의 집합이다.

모든 추천 엔진 뒤에 있는 두 가지 기본 개념

NVIDIA의 추천 시스템에 관한 기술 용어집에 따르면 대부분의 엔진은 두 가지 기본 접근 방식을 결합한다. 협업 필터링은 과거에 유사한 선택을 한 사람들이 미래에도 동의할 가능성이 높다는 가정에 기반하고 있으므로 시스템은 일치하는 행동 패턴을 가진 사용자를 찾고 그러한 유사 사용자가 좋아하는 것을 추천한다. 반면 콘텐츠 기반 필터링은 항목 자체의 속성 (장르, 배우, 오디오 기능, 태그)을 살펴보고 사용자가 이미 참여한 항목과 유사한 항목을 제안한다.

NVIDIA의 용어집은 일부 플랫폼에서 사용하는 세 번째 계층을 추가한다: 장치 유형, 시간대 또는 위치와 같은 상황 세부 사항을 고려하는 컨텍스트 필터링이다. 예를 들어 Netflix가 제목을 보던 국가, 장치, 날짜 및 시간을 보기 자체와 함께 가중치를 부여하는 관행을 인용한다.

최신 시스템은 점점 더 이러한 접근 방식을 깊은 학습으로 대체하거나 보완하고 있다. NVIDIA는 행렬 인수분해를 다층 신경망과 결합하여 사용자와 항목 간의 비선형 관계를 캡처하는 신경 협업 필터링 및 사용자가 항목을 보거나 듣는 순서의 패턴을 학습하기 위해 순환 네트워크 또는 Transformer를 사용하는 시퀀스 기반 모델과 같은 방법을 설명한다.

플랫폼이 자신의 알고리즘이 최적화하는 대상에 대해 말하는 것

기업은 완전한 순위 코드를 거의 공개하지 않지만 그 뒤에 있는 목표와 신호를 설명하는 곳도 있다. TikTok의 뉴스룸은 "For You" 피드가 세 가지 신호 범주를 사용하여 동영상을 순위 매긴다고 명시한다: 사용자 상호작용 (좋아요, 공유, 팔로우, 댓글 및 사람이 생성하는 것), 동영상 정보 (캡션, 사운드, 해시태그) 및 장치 또는 계정 설정 (언어, 국가, 장치 유형). TikTok은 이러한 신호가 다르게 가중치 부여되고 있다고 말한다: 동영상을 마지막까지 보는 것과 같은 강한 신호는 다른 시청자와 일반적인 지리를 공유하는 것과 같은 약한 신호보다 훨씬 더 계산된다.

TikTok은 팔로워 수와 제작자의 과거 높은 성능 동영상 이력이 특정 동영상이 추천되는지 여부의 직접적인 요소가 아니라고 명확히 명시한다. 회사는 또한 의도적으로 사용자의 표현된 관심 밖의 콘텐츠를 혼합하고 동일한 제작자 또는 동일한 사운드의 연속 동영상을 표시하지 않는다고 말하며, 이를 좁은 피드에 국한되지 않고 사람들에게 "새로운 콘텐츠 카테고리를 우연히 발견할 추가 기회"를 주는 방법으로 설명한다.

YouTube의 공식 "YouTube 작동 방식" 사이트는 추천 시스템의 목표를 단순히 시청 시간을 최대화하는 것이 아니라 시청자의 필요를 이해하고 그들이 후회하지 않을 시청 경험을 제공하는 것으로 표현한다. 추천에 공급되는 입력을 나열한다: 시청 행동 및 시청 이력, 좋아요 및 싫어요, 구독 및 직접 피드백과 같은 명시적 참여, 채널의 평판 및 품질, 그리고 단 한 사람의 이력뿐 아니라 더 광범위한 청중 간의 더 광범위한 트렌드. YouTube는 추천 콘텐츠가 정말로 고품질인지 확인하기 위해 행동 데이터를 만족도 조사 및 외부 평가자 팀으로 보완하고 있으며, 뉴스, 금융, 건강 또는 과학과 같은 민감한 주제에 대해 신뢰할 수 있는 출처에 추가 가중치를 두고 있다고 말한다.

두 명이 같은 피드를 볼 수 없는 이유

협업 필터링은 사용자의 행동을 다른 사용자와 비교하고 콘텐츠 필터링은 항목을 사람 자신의 이력과 비교하기 때문에 두 계정도 동일한 신호 조합을 수행하지 않는다: 다른 시청 이력, 다른 팔로우, 다른 장치 및 위치. TikTok은 두 명의 사용자도 "For You" 피드에서 동일한 동영상 조합을 볼 수 없다고 직접 명시한다. YouTube와 TikTok 모두 시스템이 모든 새로운 상호작용을 통해 계속 업데이트되고 있다고 말하므로 아침에 관찰된 피드는 그 사이에 시청되거나 건너뛰거나 "관심 없음"으로 표시된 것을 기반으로 저녁까지 이미 다르게 보일 수 있다.

사람들은 이러한 시스템이 얼마나 정확하다고 생각하는가?

사람들이 실제로 알고리즘 개인화를 어떻게 인식하는지에 대한 연구는 공학 문헌보다 제한적이다. 2019년 1월 16일에 발표된 Pew Research Center 조사는 Facebook 사용자에게 플랫폼이 광고 타겟팅을 위해 할당한 관심 및 특성 범주에 대해 질문했다. 조사가 그들에게 그것을 지적할 때까지 사용자의 74%가 이 특성 목록이 존재한다는 것을 알지 못했고 미리 알고 있던 사용자는 12%에 불과했다. 자신의 범주를 보여 받으면 59%는 레이블이 실생활 이익을 합리적으로 또는 매우 정확하게 반영한다고 말했고 27%는 동의하지 않았다; 51%는 정확하다고 생각한 경우에도 플랫폼이 그러한 목록을 컴파일하는 것에 불편함을 느낀다고 말했다. 조사는 2018년 9월 4일부터 10월 1일까지 투표한 18세 이상의 미국 Facebook 사용자 963명을 다루었다.

사용자가 알고리즘에 영향을 미치거나 제한할 수 있는가?

두 회사 모두 사용자 대면 컨트롤을 설명한다. YouTube의 공식 페이지는 로그인한 사용자가 언제든지 검색 및 시청 이력을 일시 중지, 편집 또는 삭제할 수 있음을 주의하며, 이는 추천 시스템이 학습하는 것에 직접 공급된다. TikTok은 좋아요, 팔로우, 댓글, 해시태그 탐색 및 명시적 "관심 없음" 탭이 모두 향후 추천을 조정한다고 말하며, 계정을 처음 설정할 때 사람이 선택할 수 있는 관심 범주에 추가된다.