[추천시스템] Song2Vec을 활용한 개인 맞춤형 음원 추천 시스템 개발

CONTENTS

1. 서론
   1. 주제 선정 배경
   2. 프로젝트 목표
   3. 기존 방법론 비교
2. 설계 및 구현
   1. 프로젝트 프로세스 간단 설명
   2. 데이터 수집 및 전처리
   3. Song2Vec 도출
   4. 군집화
   5. 군집라벨링
   6. 평균값 도출
3. 검증
4. 결론

 

서론

• 현재 음원추천시스템에 대한 인식
  • 70%이상의 유저들이 자신의 취향과 맞지 않는다는 이유로 음원 플랫폼의 추천서비스 이용하지 않음 -> 신뢰도가 낮음
  • 더불어 추천 서비스가 존재함을 알고도 사용하지 않음 -> 유용성이 낮음
• 사용자가 자주 듣는 음원을 기준으로 추천해주는 방식을 사용(Matrix Factorization)하고 있기 때문에 사용자의 전체적인 음악 취향을 고려하지 못했다고 파악

 

 

• 음원 추천시 유저의 전체 취향을 반영하기 위한 방안을 모색하여 AS-IS, TO-BE 분석 실시
• 사용자의 취향을 잘 파악할 수 있는 음원 추천 모델을 개발하고자 함

 

• 기존 음원 추천 방식
  • Matrix Factorization (행렬분해) 방식 사용
  • 사용자-아이템(음원) 평점행렬을 분해하여 사용자와 아이템(음원)사이의 특성을 찾아내는 방식으로 '특정 하나의 아이템(음원)'을 기준으로 추천을 하게 됨
  • 이는 유저가 어떤 노래를 함께 듣는지에 대한 맥락을 파악하지 못함
• 새롭게 제안한 Song2Vec모델
  • 아래 두 개의 논문에 의하면 음악을 듣는 순서에는 음악 간의 유사성에 대한 풍부한 정보가 담겨져 있고, 현재 재생되는 음원은 유저의 감정을 불러 일으켜 후속곡 선택에 영향을 미친다는 내용이 담겨져 있다.
    • [Learning Music Embedding with Metadata for Context Aware Recommendation] Dongjing Wang1,3, Shuiguang Deng*1, Xin Zhang2, Guandong Xu
    • [Exploiting Music Play Sequence for Music Recommendation] Zhiyong Cheng1, Jialie Shen2, Lei Zhu3, Mohan Kankanhalli1, Liqiang Nie4
  • 따라서 유저의 전체 취향을 고려하기 위해서는 음원 추천을 위해서는 데이터셋을 '유저 개인의 플레이리스트' 로 사용해야하고, Song2Vec 모델을 사용하여 플레이리스트 노래간의 문맥을 파악한 추천이 이루어져야 함을 파악함

 

설계 및 구현

• 프로젝트의 프로세스를 도식화 한 화면
• Song2Vec 을 활용하여 음원을 30차원의 벡터로 임베딩하고, 계층적 군집화를 실시한 후 코사인 유사도를 계산하여 음원을 추천할 것이다.
• 최정적으로 10개의 노래를 추천하게 된다 

 

• 모델 학습에 사용한 데이터
  • 카카오 멜론의 플레이리스트 데이터
• 데이터 전처리를 통해 학습에 사용할 데이터와 MF와 비교하기 위한 검증데이터를 만듦

 

• Song2Vec은 사용자들이 특정 곡을 어떤곡과 함께듣는지 파악하기 위한 방식
• 플레이리스트 내의 주변 곡을 고려하는 음원 벡터화 방식을 통해 음원간의 유사도를 측정할 수 있도록 함
• 학습방식
  • skip-gram 방식
  • 주변곡 예측하는 방식으로 학습 진행
  • 빈도수 5이하의 곡은 학습에서 제외

 

• 30차원 벡터를 갖고 유사한 곡을 찾기위해 군집화 진행
• 계산량의 문제로 계층적 군집화를 실시하기 이전에 우선적으로 k means 군집화 실시
  • 적절한 군집의 수는 WSS 그래프를 활용하여 지정 ( K = 10으로 설정 )

 

• 군집화가 잘 이루어졌는지 확인하기 위해 고차원 차원축소 알고리즘 TSNE 를 활용하여 군집화된 것들을 시각화
• 데이터를 10개의 군집으로 나누었고, 각 군집마다 계층적군집화를 실시
  • 최종적으로 30개의 군집으로 나뉨

 

• 두 군집화를 적용한 결과물
• 각 음원의 군집 라벨을 부여

 

• 사용자의 플레이리스트를 보고 각 음원이 어느 군집에 속하는지 확인
• 각 군집별로 현재 사용자 플래이리스트 내의 곡들의 평균 벡터를 구함
• 이 평균 벡터와 코사인 유사도가 가장 가까운 곡들을 추천해주는 방식
• 유저 플레이리스트 내의 절반 곡들을 보고 추천을 진행, 나머지 절반을 얼마나 잘 맞추는지 평가하는 방식으로 진행

 

검증

추천서비스의 검증방식은 매우 주관적일수가 있다. 따라서 객관적 검증 및 주관적 검증으로 나누어서 진행했다.

• 객관적인 지표를 활용한 검증
  • 기존 mf 방식의 추천방식과 비교
  • 나머지 절반을 얼마나 더 잘맞췄나 Precision 값을 기준으로 비교 
    • Song2Vec 모델(4.95%)이 MF 모델(1.29%)보다 precision이 약 4% 높음 
  • 또한 추천 결과가 얼마나 분산되어있나를 살펴보기 위해 Entropy diversity 값을 살펴봄
    • Song2Vec(2.45) / MF(2.26) 으로 Song2Vec이 더 다양한 추천을 해주는 것을 알 수 있음
    • 사람의 취향은 단순 하나의 군집이나 장르에 국한되지 않기 때문에 다양한 군집에서 뽑을 수록 더 개인의 취향이 많이 반영됐다고 해석했다. (아래 그림을 보면 확인해 볼 수 있다. 더보기 버튼 -> 추천 전체)

위 추천결과의 전체적인 모습이다. 추천된 결과를 전체적으로 보았을 때도 Song2Vec이 훨씬 다양한 추천이 가능함을 알 수 있다.

 

• 주관적인 지표를 활용한 검증
  • 실제로 사용자를 만족시켰는지 확인하기 위해 주관적인 검증 진행
  • 5명에게 플레이리스트를 받아 곡추천을 진행
  • 실제 사용자의 의견을 들어봄으로써 추천시스템의 장점과 단점을 알아볼 수 있는 검증

 

결론

1. 기대효과
   1. 사용자 취향에 맞는 추천으로 이용 만족도 향상
   2. 맞춤형 추천 서비스 제공으로 음원 추천 서비스에 대한 신뢰도 상승
   3. 고객 이탈 방지, 마케팅 전략으로 활용 가능
   4. 고품질 서비스의 제공으로 시장 경쟁력 확보
2. 사회적 파급 효과
   1. 높은 만족도를 반영한 다량의 학습 데이터를 확보할 수 있음
   2. 다양성을 확보한 추천시스템의 구현으로 소비자의 선택의 폭을 좁히는 기존 추천 서비스의 단점을 극복함
   3. 고도화된 개인화 서비스로 개인 맞춤 서비스가 필요한 유통, 금융, 보험 등 타 산업에서 사용 가능 (마이데이터를 활용한 추천 서비스 활성화에 기여)
3. 한계점
   1. 동일한 데이터 셋을 train/test 로 분할하여 사용할 수 있도록 검증된 연구가 추가로 필요할 것
   2. 새로운 데이터가 추가 되었을 때 다시 학습해야하는 한계가 존재함
   3. 컴퓨터 성능의 한계로 데이터를 제한적으로 활용한 프로젝트 라는 점