이미지 검색을 사용해 보세요
검색창 이전화면 이전화면
최근 검색어
인기 검색어

소득공제
넷플릭스 추천 알고리즘과 영화 선택
가격
12,000원
12,000
YES포인트?
0원
5만원 이상 구매 시 2천원 추가 적립
결제혜택
카드/간편결제 혜택을 확인하세요
  •  국내배송만 가능
  •  예약상품과 함께 주문 시 제품 출시일에 함께 배송됩니다. (제작사의 사정으로 출시 지연 가능)
  •  문화비소득공제 가능

AI문고

책소개

목차

추천 알고리즘과 영화 선택
01 넷플릭스는 취향을 어떻게 읽는가
02 넷플릭스 프라이즈와 알고리즘 발전
03 넷플릭스 홈 화면의 해부학
04 장르 분류와 마이크로 장르
05 랭킹 알고리즘과 순서 결정
06 데이터 수집과 사용자 신호
07 A/B 테스트와 알고리즘 검증
08 알고리즘 추천과 입소문
09 추천 알고리즘의 문화적 영향
10 추천 시스템의 미래

저자 소개 1

서울대 비교문화연구소 연구원이자 KAIST 디지털인문사회과학부 강사다. 영화와 미디어, 도시와 포스트휴먼을 오가며 이론과 실천을 순환하는 연구자이자 영화감독이다. 연세대 매체와예술연구소 연구교수를 지냈고, 하버드대 대학원에서 방문연구원으로 미디어와 다큐멘터리, 도시·지도·공간 이론을 연구했다. 가톨릭대 의예과에서 5년 동안 스마트폰 영화 제작을 강의하고 그 교육적 효과를 연구했다. 시카고예술대학과 파리국립고등미술학교에서 미술·사진·영화를, 서강대에서 철학·컴퓨터공학·영상학을 전공했다.

남승석의 다른 상품

품목정보

발행일
2026년 11월 26일
쪽수, 무게, 크기
181쪽 | 128*188*8mm
ISBN13
9791143035356

책 속으로

2026년 공개된 GenRec은 추천 시스템에 ‘언어’라는 새로운 표현 층위를 더했다. GenRec은 오픈소스 LLM을 넷플릭스의 콘텐츠와 회원 행동 데이터에 적응시켜 기반 모델을 구축한 뒤, 추천 랭킹에 특화된 데이터와 보상 신호로 사후 학습하는 LLM 기반 랭커다. 이용자의 시청 이력과 콘텐츠 메타데이터, 시간과 기기 같은 맥락은 자연어나 가볍게 구조화된 텍스트로 표현되어 모델에 입력된다. 중요한 변화는 단순히 LLM을 사용했다는 점이 아니다. 전통적 추천에서는 어떤 특성을 만들어 모델에 입력할 것인가가 중요한 설계 문제였다면, 이제는 이용자의 과거 가운데 어떤 사건을 남기고 무엇을 생략하거나 요약하며 어떤 표현으로 모델에 전달할 것인가가 중요해졌다. 특성을 설계하는 문제의 일부가 맥락을 설계하는 문제로 이동한 것이다.
--- 「01 넷플릭스는 취향을 어떻게 읽는가」 중에서

넷플릭스의 추천은 작품에 점수를 매기는 데서 끝나지 않는다. 어떤 행을 만들고, 무엇을 먼저 보여 주며, 어떤 이미지와 설명을 붙일지까지 모두 홈 화면에서 구현된다. 이 과정은 추론, 표현, 상호작용의 세 단계로 볼 수 있다. 추론은 이용자가 무엇을 좋아할지 예측하고, 표현은 그 예측을 행·순위·이미지·설명으로 번역하며, 상호작용은 이용자의 클릭과 시청 행동을 다시 다음 추천의 데이터로 돌려보낸다. 넷플릭스 추천 시스템은 알고리즘과 UI를 함께 봐야 이해할 수 있다. 알고리즘이 화면을 만들고, 화면에서 이루어진 선택이 다시 알고리즘을 만든다. 홈 화면은 이 순환이 선명하게 드러나는 공간이다.
--- 「03 넷플릭스 홈 화면의 해부학」 중에서

GenRec의 실험은 데이터의 양과 정보량을 구분할 필요도 보여 준다. 이용자의 이력을 길게 제공할수록 일정 구간까지는 랭킹 성능이 개선되지만, 어느 지점을 지나면 추가 정보의 이득이 급격히 감소한다. 넷플릭스 연구진은 저신호 사건을 제거하고 반복 활동을 압축한 뒤 맥락에 포함하는 과거 사건의 수와 표현의 상세도를 단계적으로 줄였다. 그 결과 약 5000토큰이던 입력을 약 1700토큰, 곧 원래의 3분의 1 수준까지 줄여도 오프라인 랭킹 성능의 저하는 미미했고, 입력 길이와 추론 비용이 밀접하게 연결되어 있으므로 서비스 비용 역시 비슷한 폭으로 감소했다. 이는 ‘데이터가 많을수록 좋다’는 직관에 중요한 조건을 붙인다. 중요한 것은 가능한 모든 기록을 보존하는 것이 아니라 예측에 필요한 신호 밀도를 높이는 것이며, 더 긴 이용 이력이 반드시 더 좋은 개인화를 뜻하지 않는다.
--- 「06 데이터 수집과 사용자 신호」 중에서

추천 시스템의 효과가 모든 사회와 언어권에서 동일하다고 가정할 수는 없다. 국가마다 카탈로그 구성과 콘텐츠의 사전 인지도, 비평 문화, 가족·친구의 추천이 차지하는 비중, 자막과 더빙에 대한 선호가 다르기 때문이다. 이러한 차이는 이용자가 작품을 발견하고 평가하는 경로뿐 아니라 알고리즘 추천에 의존하는 정도에도 영향을 줄 수 있다. (…) GenRec은 로케일, 현재 상황, 콘텐츠 메타데이터 등을 하나의 맥락에 포함할 수 있다는 기술적 가능성을 보여 준다. 그러나 언어와 지역 정보를 입력할 수 있다는 것과 문화적 차이를 충분히 이해한다는 것은 동일하지 않다. 특정 문화권의 장르 관습과 정서가 모델에 어떻게 표현되는지, 다국어 콘텐츠가 추천에서 어떤 위치를 차지하는지는 별도의 경험적 연구가 필요하다.
--- 「09 추천 알고리즘의 문화적 영향」 중에서

출판사 리뷰

넷플릭스는 내 취향을 아는가, 내 취향을 만드는가

넷플릭스를 켜면 수십 편의 영화가 줄지어 나타난다. 어떤 작품은 맨 앞에 놓이고, 어떤 작품은 아무리 찾아도 눈에 띄지 않는다. 같은 영화라도 이용자에 따라 포스터와 소개 문구가 달라진다. 우리는 취향에 따라 영화를 고른다고 생각하지만, 무엇을 먼저 보고 어떤 작품을 비교할지는 이미 알고리즘이 설계한 환경의 영향을 받는다. 이러한 추천 기술을 단순한 취향 예측 도구가 아니라 영화와 관객의 만남을 조직하는 문화적 매개자로 분석한다. 넷플릭스 프라이즈의 평점 예측에서 협업 필터링과 랭킹, 행동 데이터 분석, 기반 모델과 거대언어모델(LLM) 기반 추천에 이르기까지 기술의 변화를 추적한다. 특히 홈 화면의 콘텐츠 배열과 마이크로 장르, 개인화된 아트워크가 이용자의 선택을 어떻게 유도하는지 살핀다. 클릭과 시청 중단, 검색과 재방문 기록은 취향의 신호가 되지만 무엇을 좋은 추천으로 판단할지는 플랫폼의 사업 목표에 따라 달라진다. 나아가 A/B 테스트를 통한 추천 성능 검증과 입소문·비평의 역할, 인기 콘텐츠 집중과 문화적 다양성의 문제까지 검토한다. AI가 취향을 일방적으로 만들어 낸다는 단순한 설명을 넘어 개인의 경험과 사회적 유행, 플랫폼의 기술과 전략이 서로 영향을 주고받는 과정을 밝힌다. 추천의 핵심은 무엇을 보여 주느냐에만 있지 않다. 무엇을 보이지 않게 만들고 어떤 선택을 더 쉽게 만드는가에도 있다.

첫번째 리뷰어가 되어주세요.

첫번째 한줄평을 남겨주세요.

사락 별점0

혜택 및 유의사항

첫번째 별점을 남겨주세요.

첫번째 밑줄을 남겨주세요.

12,000원
총 1개 12,000원