추천 시스템(또는 권장 시스템)은 사용자의 선호도를 예측하고 사용자가 원할 만한 상품, 영화, 음악, 뉴스 기사 등의 항목을 제안하는 소프트웨어이다. 추천 시스템은 현대 인터넷 개인화의 많은 부분을 뒷받침하며, 전자상거래 상품 목록부터 동영상·음악 스트리밍 피드, 소셜 미디어 타임라인에 이르기까지 다양하게 활용된다. 이는 머신 러닝의 가장 경제적으로 중요한 응용 분야 중 하나이다.
기법
이 분야를 지배하는 두 가지 고전적 접근법이 있다. 협업 필터링은 항목의 내용을 직접 이해하지 않고도 유사한 사용자들의 행동으로부터 사용자의 선호도를 추론한다. 내용 기반 필터링은 대신 사용자가 이전에 좋아했던 항목과 속성이 유사한 항목을, 항목 자체의 특징을 사용하여 추천한다. 2006년부터 2009년까지 진행된 넷플릭스의 공개 경쟁 대회는 협업 필터링 정확도를 10% 향상시키는 것을 목표로 100만 달러의 상금을 걸었으며, 행렬 분해 기법을 대중화하고 이 분야에 주류의 관심을 끌어모은 획기적인 사건이었다. 이 대회는 2009년에 여러 모델을 앙상블 기법으로 결합한 팀이 우승했다. 현대 시스템은 점점 더 딥 러닝을 사용하여 사용자와 항목을 벡터 또는 임베딩으로 표현하는데, 이는 유사한 사용자와 항목이 공유 공간에서 가깝게 위치하도록 학습되며, 이후 벡터 데이터베이스와 시맨틱 검색 관련 기법을 사용하여 효율적으로 검색할 수 있다. 투-타워 모델과 같은 신경망 구조와, 2020년대 이후로는 사용자의 이력을 시퀀스로 취급하여 다음 상호작용을 예측하는 트랜스포머 기반 시퀀스 모델이 대형 플랫폼에서 일반화되었다.
응용 및 비즈니스 영향
추천 시스템은 아마존의 비즈니스 모델의 핵심으로, 제품 추천이 매출의 상당 부분을 견인하며, 넷플릭스와 유튜브의 콘텐츠 추천은 대부분의 시청을 주도하고, 스포티파이의 음악 발견과 틱톡, 인스타그램과 같은 소셜 플랫폼의 피드 랭킹 알고리즘은 사용자 참여와 광고 수익을 견인하는 것으로 널리 인정받는다.
비판
추천 시스템은 여러 측면에서 비판을 받아 왔다. 순수하게 참여도만 최적화된 피드 랭킹 알고리즘은 필터 버블과 양극화와 연관되어 왔는데, 시청 시간이나 클릭 수를 최대화하는 것이 선정적이거나 극단적인 콘텐츠를 선호할 수 있기 때문이다. 비판가들은 또한 알고리즘 편향에 대한 우려를 제기하는데, 이는 과거 상호작용 데이터로 훈련된 시스템이 누구에게 무엇이 추천되는지에 대한 기존의 불평등을 강화할 수 있기 때문이며, 또한 사용자와 규제 기관이 특정 항목이 추천된 이유를 종종 알 수 없기 때문에 설명 가능한 AI와 해석 가능성 연구에서 다루어지는 이러한 시스템의 불투명성에 대한 우려도 제기한다. 프라이버시 문제도 흔한데, 효과적인 개인화는 일반적으로 상세한 행동 데이터 수집을 필요로 하기 때문이다. 대규모 언어 모델이 성숙해짐에 따라, 일부 플랫폼은 암묵적 행동 신호에만 의존하는 대신 사용자가 자연어로 원하는 것을 설명할 수 있는 대화형 LLM 기반 추천 인터페이스를 탐색하기 시작했다.