추천 시스템은 사용자·아이템·맥락 정보를 이용해 콘텐츠나 상품의 순위를 정하는 시스템입니다. 협업 필터링과 콘텐츠 기반 방식은 대표적인 접근법이며 실제 서비스는 여러 모델과 비즈니스 규칙을 함께 사용할 수 있습니다.
대표적인 추천 방식
| 방식 | 사용 정보 | 주요 한계 |
|---|---|---|
| 협업 필터링 | 사용자·아이템의 평가와 행동 패턴 | 신규 사용자·신규 아이템의 데이터 부족 |
| 콘텐츠 기반 | 장르·태그·문서·이미지 등 아이템 특성 | 기존 취향과 유사한 결과에 치우칠 수 있음 |
| 하이브리드 | 여러 모델과 맥락 신호 결합 | 구현·평가·운영 복잡도가 증가 |
사용자 기반 협업 필터링에서 유사한 상위 10~20명만 고르는 방식이나 아이템 기반 방식이 항상 더 확장성이 좋다는 설명은 하나의 구현 예시에 불과합니다. 서비스 규모와 데이터 구조에 따라 후보생성·순위화·임베딩·딥러닝 등 다른 구성을 사용할 수 있습니다.
플랫폼 사례는 공개된 범위에서만 설명합니다
YouTube는 추천 시스템이 후보 생성과 순위화 같은 여러 단계를 사용한다고 공개했지만 현재의 모든 입력 신호와 가중치는 공개하지 않습니다. 과거에 인용된 ‘시청의 70%가 추천에서 발생’ 수치를 2026년 현재 공식 통계로 쓰지 않습니다.
Netflix와 쿠팡 역시 추천 관련 기술 자료를 공개하지만 현재 내부 모델, 실시간 반영시간, 개인별 피처를 외부에서 단정할 수 없습니다. 부모 여부·반려동물 여부를 피처로 쓴다거나 특정 행동이 몇 분 안에 반영된다는 내용은 공식 근거가 있을 때만 사용해야 합니다.
콜드 스타트 대응
- 신규 사용자에게 선택형 온보딩을 제공할 수 있습니다.
- 인기·최신·지역 등 비개인화 후보를 사용할 수 있습니다.
- 신규 아이템의 메타데이터나 콘텐츠 표현을 활용할 수 있습니다.
- 탐색과 활용의 균형을 평가해 다양한 결과를 노출할 수 있습니다.
콘텐츠를 10~20개 소비하면 관심사가 파악된다는 공통 기준은 없습니다. 필요한 상호작용 수는 서비스와 과제에 따라 달라집니다.
검색·클릭 기록과 시크릿모드
검색어·클릭·시청기록도 개인을 알아볼 수 있거나 다른 정보와 쉽게 결합해 식별할 수 있다면 개인정보로 처리될 수 있습니다. ‘현행법상 개인정보가 아니다’라고 단정하면 안 됩니다.
Chrome 시크릿모드는 방문 기록과 사이트 데이터를 사용자의 기기에 남기는 범위를 줄이는 기능입니다. 방문한 웹사이트와 네트워크 운영자까지 활동을 볼 수 없게 하거나 사이트의 정보수집을 막는 기능은 아닙니다. 따라서 ‘시크릿모드에서는 기록이 남지 않는다’고 안내하지 않습니다.
로그아웃 상태에서도 쿠키·기기·세션·현재 페이지 등 비로그인 신호를 이용한 추천이 가능할 수 있으므로 모든 플랫폼이 단순 인기 콘텐츠만 보여준다고 단정할 수 없습니다.
공식 출처
이 글은 2026년 9월 1일 기준으로 공식 문서와 원문 자료를 확인해 수정했습니다. 제도·요금·서비스 상태는 바뀔 수 있으므로 실제 이용 전 연결된 공식 페이지를 다시 확인하세요.