카카오, 카카오페이지와 멜론의 연관 추천 기술 공개

카카오 추천팀이 카카오페이지와 멜론에서 활용되는 연관 추천 기술의 원리와 효과를 공개했다. 연관 추천은 사용자가 특정 콘텐츠를 소비한 후 유사한 결의 콘텐츠를 제안하여 관심사를 확장하는 방식이다.

카카오페이지: 텍스트 기반 벡터화 및 실시간 최적화

카카오페이지는 작품 소개 페이지와 마지막 편 엔드에서 연관 추천을 제공한다. 작품의 제목과 소개 텍스트를 Word2Vec이나 TF-IDF 가중치를 통해 벡터 공간 상의 점으로 변환하여 유사성을 판단한다. 이후 Thompson Sampling을 기반으로 목표 지표(클릭률 등)의 기대값을 측정하고, 노출 후 사용자 액션에 따라 실시간으로 추천 확률을 조정한다.

멜론: 유사곡 추천 기법 및 효과

멜론의 유사곡 추천은 다양한 기법을 결합하여 생성된다.

• 협업 필터링(CF): 사용자들의 곡 소비 패턴을 분석하여 벡터 간 유사도를 측정한다.
• Matrix Factorization: ALS나 BPR 기법, 또는 딥러닝 모델인 Auto-Encoder를 이용해 item vector를 추출한다.
• Item2Vec: 플레이리스트 내 곡들의 컨텍스트를 파악하여 유사한 컨셉의 곡을 추천한다.
• 음원 데이터 분석: 음원을 멜스펙트로그램으로 변환한 후 딥러닝 모델로 학습하여 음원 간 유사함을 정의하며, 이는 CF의 한계(콜드 스타트 등)를 보완한다.
• 순위 보정: 스트리밍 전환율을 기반으로 추천 모델의 예측 선호도 점수를 보정하여 다양성을 확보한다.

성과 지표

멜론에서 유사곡 추천을 사용한 사용자는 미사용자 대비 1주일 평균 스트리밍 수가 약 24% 높았으며, 스트리밍한 인당 평균 유니크 곡 수는 53% 더 많았다. 이는 연관 추천이 사용자가 새로운 콘텐츠를 탐색하고 소비하는 데 효과적임을 보여준다.