개인화의 위험성, 필터 버블(Filter Bubble) - Zero to 추천시스템

    필터 버블(Filter Bubble) 개념

    필터 버블(Filter Bubble)은 사용자의 정보(위치, 클릭, 검색 이력 등)를 통해 개인화된 결과물을 기반으로 사용자가 필터링된 정보만을 접하게 되어 마치 거품처럼 사용자를 가둬버리는 현상을 말합니다. 이 용어는 미국의 정치 참여 시민단체 '무브온'의 이사장인 엘리 프레이저(Eli pariser)의 생각 조종자들(원제 The Filter Bubble, 2011)이라는 저서에 처음 등장하였습니다.

     

    좌측은 필터 버블 원서와 우측은 한국어판

     

    즉 어찌보면 개인화(Personalize)의 함정이 될 수 있는데 우리가 일반적으로 알 수 있는 것은 유튜브등을 통해서 특정 정치 성향의 내용을 보다보면, 온통 그 정치 성향의 컨텐츠로 도배를 하여 모든 사람들이 이런 생각을 하게 되는 착각에 빠지곤 합니다.

     

    필터 버블과 비슷한 용어로는 자신이 좋아하거나 유사한 생각을 가진 사람들과 소통하면서 편향(Bias)된 사고를 갖게 된다는 에코챔버(Echo Chamber)가 있습니다.

     

    추천에서의 화두

    필터 버블 자체가 개인화로 인해서 생기는 것 만큼 추천 시스템과 매우 연관이 높습니다. 보통 개인화와 추천을 거의 동일시 하는 경우도 많기에 추천으로 인해서 생겨난 문제라 할 수 있습니다.

     

    사실 기사나 동영상 등을 추천하는 업체에서는 누군가의 생각을 조종한다는 문제도 있을 수 있겠지만, 필터 버블로 인해서 추천의 품질이 극단적으로 좁혀지며 생기는 다양한 컨텐츠를 추천을 받지 못해서 이용자가 이탈하는 문제도 발생할 수 있습니다. 

     

    https://medium.com/@18639764/wait-im-in-a-filter-bubble-3e5be1325d1

     

    예를 들어, 넷플릭스(Netflix)의 경우 늘상 보던 컨텐츠가 계속 나오고, 기껏해봤자 최근 컨텐츠 혹은 연관 컨텐츠 정도만 나오게 되면서 수많은 컨텐츠를 소비 시키지 못한 상태가 지속되면, 사용자는 결국 넷플릭스에서는 이제 볼 것이 없구나라는 생각을 가지면서 이탈을 할 수도 있습니다. 

     

    가장 궁극적인 문제는 추천은 "너를 분석해보니 너는 이것을 좋아할만한 것 같애.." 라는 것이 추천의 본질이라 할 수 있는데 이러한 기능이 상실될 수 있다는 것입니다. 그럼 추천이 필터버블 상황으로 인해서 어떻게 서서히 무너지는지 한번 추천 시스템의 입장에서 보도록 하겠습니다.

     

     

    추천으로서의 필터 버블 문제

    추천으로서의 필터 버블 문제

     

    우선 현재 유저의 패턴을 분석하여 수많은 컨텐츠 중 사용자의 관심사에 맞는 내용을 추려 냈다고 가정을 해봅시다. 그러나 컴퓨터가 인간의 모든 것을 분석할 수 없듯 내가 좋아할만한 거지만 컴퓨터는 현재의 분석 내용에서는 해당 내용을 제거하여 가장 선호할만한 내용을 추천하게 됩니다.

     

    예를 들어, 제가 등산, 게임, Kpop, 주식, 세계 문화를 좋아한다고 가정을 해보겠습니다. 하지만, 제가 게임 영상을 검색해서 본 이후 온통 게임에 관련된 추천 영상만 나오게 된다면, 적당히 게임 영상을 보다가 나가게 될 수 있습니다.

     

    하지만 여기서 또 문제가 있을 수 있는데 게임 영상도 내가 선호하는 게임 영상만 나오게 된다는 것입니다. 예를 들어 월드오브워크래프트를 좋아해서 해당 관련된 영상들만 나온다면, 카테고리 관심사에서 또 한번 컨텐츠로 필터링을 하게 된다는 것이죠.

     

     

    이렇게 추천 결과물 내에서 한번 더 정교해지면서 점점 컨텐츠는 좁혀지게 되고, 나중에는 제가 별도로 영상을 찾지 않는 이상 aim이 점점 정교해지게 되는 것입니다. 최종적으로 너무 작아진 과녁은 늘상 비슷한 컨텐츠만 나오게 되면서, 내가 컨텐츠게 갇히게 되는 문제가 발생합니다. 

     

    필터 버블을 없애는 방법

    편향을 줄이는 알고리즘 섞기

    그럼 이렇게 극단적인 개인화로 인해서 발생하는 필터 버블을 어떻게 줄일 수 있을 까요? 바로 사용자의 선호도와 전혀 상관이 없는 추천 알고리즘을 섞어주는 방법입니다.

     

    필터 버블을 깨뜨린 추천

     

    위 이미지는 유튜브의 순기능이라고 말이 많았던 브레이브걸스의 추천 영상입니다. 저 역시 유튜브를 봤을 때 관심이 없던 걸그룹이 계속 영상이 떠서 호기심에 눌러본적이 있었는데, 만약 제가 선호하는 영상 위주로 추천을 진행했다면 저한테 브레이브 걸스를 추천하지 않았을 것이고 이렇게 뜨지도 않았을 것입니다.

     

     

    바로 유튜브는 최근 급상승하는 인기 동영상이라는 알고리즘을 넣었기 때문에 가능한 것이었죠. 그리고 중간중간 전혀 예측하지 못할만한 영상들을 추천하면서 사용자의 새로운 관심도를 찾으려고 합니다.

     

    큐레이션 활용

    어떤 영상을 봤을 때 연관된 영상의 경우는 그나마 덜 편향적인 결과가 나올 수 있지만 유저의 선호도 기반의 추천 경우 편향적인 영상이 나올 가능성이 높습니다. 반대로 말하자면, 정확도가 높은 영상이 나올수 있다는 말이기도 하죠.

     

    하지만 위에 상황처럼 제가 특정 게임을 봤다고, 온통 특정 게임의 영상만 메인에 나오게 된다면 매우 피로할 것입니다. 그래서 최근 추천의 트렌드는 바로 큐레이션을 이용한 추천이 대세이기도 합니다. 

     

    큐레이션 예시

     

    위와 같이 특정 주제별로 사용자가 선호할만한 영상을 추천을 하여 확장성을 좀 더 높이는 작업입니다. 추천 큐레이션의 경우 사용자의 선택이 좀 더 폭넓어질수 있으며, 사용자 역시 컨텐츠 탐색이 줄어들게 되는 1석 2조의 방식이라 대세가 되고 있는 방식입니다.

     

    다만 이 방식은 유저를 완벽히 분석하지 못하고 컨텐츠를 추천하는 듯한 느낌이 들 수 있어서, '덜 인공지능스럽다'와 같은 단점이 있을 수 있습니다.

     

    연관 포스팅

    아마존(Amazon) 추천 시스템 - Zero to 추천시스템

     

    아마존(Amazon) 추천 시스템 - Zero to 추천시스템

    아마존 추천 시스템 미국에서 가장 추천을 많이 활용하는 기업 3개(넷플릭스, 구글, 아마존) 중 아마존(Amazon) 역시 넷플릭스와 구글처럼 독자적인 모습의 추천 사례들을 만들어 왔습니다. 사실

    needjarvis.tistory.com

     

    References

    [1] https://ko.wikipedia.org/wiki/%ED%95%84%ED%84%B0_%EB%B2%84%EB%B8%94 

    [2] https://zdnet.co.kr/view/?no=20210621135006

    댓글

    Designed by JB FACTORY