CT 이슈분석I I 영화 영화 추천 기술과 서비스 - 수많은 영화의 바다에서 내 취향에 맞는 작품을 찾는다 방대한 영화 콘텐츠를 온라인으로 자유롭게 즐기는 콘텐츠의 홍수 시대가 도래하면서 영화 추천 기술과 서비스가 등장하게 되었음. 영화 추천 서비스는 사용자들의 방대한 데이터를 빅데이터 기법과 기계학습, 자연어 분석 등의 기술로 분석해 나의 취향에 맞는 영화를 추천. 해외에서는 넷플릭스, 지니, 메타 크리틱 등 다양한 영화 추천 서비스가 인기를 얻고 있으며, 국내 벤처 기업인 프로그램스가 개발한 영화 추천서비스인 왓챠의 사용자 수가 크게 증가. 영화 콘텐츠의 발견과 추천 기능 및 서비스는 영화 감상자의 만족도를 향상시킬 수 있는 핵심 서비스로 여겨지고 있음. 영화 추천 기술의 원리와 특징, 국내 서비스인 왓차를 비롯해 해외의 영화 추천 서비스 사례들과 여기에 사용된 영화 추천 기술을 분석 1. 영화 추천 기술 및 서비스 개요 방대한 영화 콘텐츠를 온라인으로 자유롭게 스트리밍 방식으로 즐기는 시대가 도래하면서 영화 추천 기술과 서비스가 등장하게 되었음 세계 최대의 온라인 영화 스트리밍 업체인 넷플릭스(Netflix)는 3만여 개의 영화와 TV 프로그 램을 제공하고 있으며, 후발 주자인 아마존 인스턴트 비디오(Amazon Instant Video)는 약 8만 6 천여 개의 콘텐츠를 제공 중임 안방에서 볼 수 있는 영화의 수가 크게 늘어나면서 나의 취향에 맞는 영화를 찾아내는 영화 추천 기술과 서비스가 필요하게 되었음 방대한 데이터를 분석해 정교한 결과를 도출해내는 빅데이터 분석 기법과 컴퓨터 스스로 학 습할 수 있는 기계학습이 활용되면서 영화 추천 기술과 서비스가 발달하게 됨 해외에서는 2000년대 후반기부터 영화 추천 웹사이트가 등장했으며, 최근에는 넷플릭스 (Netflix)와 같은 스트리밍 영화 서비스 업체에서 차별화된 기능으로 탑재되기 시작 해외에서 인기를 얻고 있는 영화 추천 웹사이트로는 지니(Jinni), 로튼 토마토(Rotten Tomatoes), 메타크리틱(Metacritic), 크리틱커(Criticker), 테이스트 키드(Taste Kid) 등이 손꼽힘 (Lifehacker, 2012.2.12), (Cnet, 2009.3.19) 세계 최대의 온라인 동영상 업체인 넷플릭스는 매우 정교한 추천 시스템과 실제 사용자의 취 16
향을 반영하는 영화 추천 결과로 자사 가입자들에게 호평을 받고 있음 국내에서도 벤처기업인 프로그램스(Frograms)가 개발한 영화 추천 서비스인 왓챠(Watcha)가 사용자를 늘려가고 있음 영화 추천 서비스에 사용되는 기술로는 빅데이터(Big Data) 분석, 자연어 분석(Natural Language Processing), 기계학습(Machine Learning) 기법이 있음 소셜 미디어와 웹 데이터 수집으로 유저들과 평론가들에게 얻어지는 영화 평가나 리뷰, 메타 데이터가 방대하게 확장되었으며 이에 따라 빅데이터(Big Data) 분석 기법이 대두됨 자연어 분석 기법(Natural Language Processing)은 인간의 언어를 컴퓨터가 이해할 수 있는 데 이터로 변환해 분석하는 기술로, 영화의 내용이나 분위기와 같은 특징이 인간의 주관적인 감 정을 반영하는 단어로 입력되기 때문에 이를 컴퓨터로 처리하기 위해 필요한 기술임 기계학습(Machine Learning) 기법은 딥러닝(Deep Learning)이라고도 불리는 일종의 인공지능 기술로, 컴퓨터가 스스로 각종 데이터를 통해 학습하고 판단할 수 있는 알고리즘과 처리 방식 을 개발 본 고에서는 영화 추천 기술의 원리와 특징, 국내 서비스인 왓차를 비롯해 해외의 영화 추천 서비스 사례들과 여기에 사용된 영화 추천 기술을 분석함 17
CT 이슈분석I I 영화 2. 영화 추천 기술의 원리와 특징 영화 추천 기술은 기본적으로 영화 데이터 수집과 특이값 분해(SVD; Singular Value Decomposition) 3) 에 기반을 둔 기계 학습(Machine Learning)에 의해 구현됨(Scientific American, 2012.6.20) 영화 데이터 수집은 분석 시스템의 설계 의도에 따라 분류 기준이 정해지며, 컴퓨터가 자동적 으로 인터넷이나 클라우드, 기존의 데이터베이스에서 수집하거나, 사람이 수작업으로 판단 해 입력할 수도 있음 이렇게 수집된 데이터를 감상자의 선호에 맞게 속성을 추출, 분류하고 값을 부여한 후 데이터 베이스로 저장해 컴퓨터의 알고리즘으로 처리 이러한 기계 학습 기법은 영화 추천 서비스뿐만 아니라 검색 엔진에서부터 데이트 상대 매칭 서비스까지 다양한 분야에 적용 및 활용되고 있음 영화 추천 기술 구현은 영화 관련 및 감상자 데이터 수집, 영화의 속성 분류 및 평가, 알고리즘에 따른 영화 선호도 처리와 영화 추천으로 이루어짐 영화와 관련된 정량적 데이터는 영화의 장르, 상영 시간, 개봉 일시, 흥행 성적과 같은 객관적 인 데이터를 포함하며 영화의 내용적 데이터는 영화의 분위기(사랑스럽거나 훈훈한), 스토리의 복잡함(선형구조, 액자구조, 반전, 시간적 역전구조)과 같이 영화를 본 감상자의 주관적인 판단과 평가로 분류 감상자 데이터는 유저의 별점 평가, 평론가들의 영화 평가 점수와 같이 숫자로 정량화될 수 있는 평가 수치를 포함 이와 같이 다양한 데이터를 수집하고 조합해 영화의 속성을 분류하고 평가하는 과정을 거침 데이터를 알고리즘에 따라 처리해 개인이 어떤 속성의 영화를 선호하는지 분석하고, 이와 비 슷한 영화를 추천함 예를 들어, 어떤 사용자의 영화 선호 경향을 분석해 코미디 장르, 훈훈한 영화의 분위기, 단순 한 스토리 구조를 선호하는 것으로 판단될 경우, 이와 유사한 속성을 지닌 영화들을 추천 18 3) 특이값 분해(Singular Value Decomposition; SVD)는 정사각 행렬이 아닌 일반적인 m x n 행렬 을 특수한 속성이 명백하게 드러난 형태로 분해하는 기법
그림 5 영화 추천 기술의 구현 과정 출처: Scientific American(2012.6.20, http://www.scientificamerican.com/article/rated-x-how-movie-recommendation-systems-work/) 19
CT 이슈분석I I 영화 영화 추천 기술은 데이터의 양이 많아질수록 더욱 정교하고 정확해지며, 영화의 속성을 분류하고 가중치를 부여하는 방식에 따라 같은 알고리즘을 사용하더라도 다른 결과가 나올 수 있음 기본적으로 빅데이터 분석 기법을 활용하기 때문에 영화와 관련된 각종 데이터, 감상자의 평 가 데이터가 많아질수록 추천 결과가 개인의 선호도를 더욱 정확하게 반영하게 됨 각 영화 추천 서비스들은 저마다 서로 다른 영화 속성 분류 기준을 적용하고 있으며, 어떤 기 준으로 분류하느냐에 따라 동일한 알고리즘을 사용하더라도 영화 추천 서비스의 결과가 달 라지게 됨 최근의 영화 추천 관련 연구에서는 상황인지 정보(Context-aware Information), 소셜 네트워크(SNS)를 활용한 영화 추천 기법이 다뤄지고 있음 체르베노바(Cervenova, 2013)는 감상자의 변화하는 기분에 따라 선호하는 영화도 변화할 것 이라는 가정 아래, 감상자의 기분을 중요한 상황 인지(Context-aware) 정보로 간주해 여기에 적합한 영화를 추천하는 기술을 연구 이용승 외(Lee et al., 2014)는 SNS에 올라오는 영화 관련 평가와 정보들을 수집해 시간, 장소, 사회적 맥락을 고려해(예를 들어, 언제 어디서 누구와 함께 영화를 보았는가) 사용자에게 적 합한 영화를 추천해 주는 기법을 연구 20
3. 주요 영화 추천 서비스 분석 1) 넷플릭스 퀀텀 이론(Netflix Quantum Theory) 온라인 영화 스트리밍 업체인 넷플릭스(Netflix)는 자사 서비스 가입자들로부터 얻어진 방대한 데이터를 기반으로 콘텐츠 추천 서비스를 제공하고 있음(The Atlantic, 2014.1.2) 넷플릭스 퀀텀 이론(Netflix Quantum Theory) 이라고 불리는 기법을 활용, 넷플릭스 내부적으 로 콘텐츠 평가 및 분류 기법에 의해 각 영화별로 태그를 만들고 데이터베이스를 만드는 것으 로 알려짐 넷플릭스 퀀텀 이론 프로젝트는 넷플릭스의 상품혁신담당 부사장(VP of Product Innovation) 인 토드 옐린(Todd Yelin)이 개발을 주도함 이름 그대로 콘텐츠를 구성하는 양자(Quantum) 가 무엇인지 파악하려는 의도가 프로젝트 명 에 담겨 있음 그림 6 넷플릭스의 영화 추천 화면 출처: Netflix(www.netflix.com) 넷플릭스의 영화 추천 서비스는 인간의 수작업에 의한 데이터 작성과 알고리즘에 의한 빅데이터 분석을 통해 구현됨 넷플릭스는 영화 콘텐츠의 메타 데이터를 작성하기 위해 36페이지 분량으로 된 가이드라인 문서를 따라 작업자가 수작업으로 꼼꼼하게 콘텐츠에 대한 정보를 채워 넣음 예를 들어, 성적인 내용이 얼마나 나오는지, 얼마나 잔인한지, 로맨틱한 정도, 주인공의 도덕 성 정도, 해피엔딩인지 새드엔딩인지와 같은 모든 정보를 1~5점 척도의 점수로 입력 이후 컴퓨터 알고리즘에 의거, 자동적으로 각 콘텐츠의 특징을 분류하고 넷플릭스 가입자들 의 시청 행태 데이터와 함께 분석해 상관관계를 도출해냄으로써, 유저가 어떤 장르의 영화를 선호하게 될지 추천하는 작업을 수행 21
CT 이슈분석I I 영화 넷플릭스 퀀텀 이론에 의해 영화의 콘텐츠 구성 요소들이 세부적인 기준으로 분류되어 구체적인 영화 감상자의 취향을 반영해 영화를 추천하게 됨 분류된 장르 카테고리는 제작된 지역(Region), 작품의 특징을 수식하는 부사(Adjectives)단어, 작품의 명사 장르(Noun Genre), 실화나 문학작품과 같이 콘텐츠가 기반을 둔(Based on) 원천 소스, 어디를 배경으로(Set in) 만들어졌는지, 무엇에 관한(About) 영화인지, 타겟 연령대는 몇 살부터 몇 살까지인지(For Age X to Y)와 같은 세부 정보들로 이루어짐 이러한 분류법에 의해 생성되는 작품의 장르 카테고리는 예를 들어 로맨틱한 중국 범죄 영화 (Romantic Chinese Crime Movies), 어둡고 서스펜스 넘치는 공상과학 호러 영화(Dark Suspenseful Sci-Fi Horror Movies) 와 같은 형태로 제시되며, 작품의 특징을 집약적이면서도 구 체적으로 표시하게 됨 콘텐츠별 URL에 붙어 있는 정보를 집계한 결과, 넷플릭스의 장르 카테고리는 총 76,897개에 이르는 것으로 나타남 표 3 넷플릭스 콘텐츠의 장르 카테고리 분류 사례 영문 카테고리명 카테고리 의미 Spy Action & Adventure from the 1930s 1930년대를 배경으로 하는 스파이 액션 및 어드벤처물 Sentimental set in Europe Dramas from the 1970s 유럽을 배경으로 하는 70년대 센티멘털 드라마 Time Travel Movies starring William Hartnell William Hartnell이 출연하는 시간 여행물 Dark Suspenseful Gangster Dramas 어두운 분위기의 서스펜스 넘치는 갱스터 드라마 Emotional Independent Sports Movies 감정적이고 독립적인 스포츠 영화 Gritty Suspenseful Revenge Westerns 불쾌한 현실을 그대로 보여주는 서스펜스 복수 서부극 출처: The Atlantic(2014.1.2, http://www.theatlantic.com/technology/archive/2014/01/how-netflix-reverse-engineered-hollywood/282679/) 넷플릭스 영화 장르 카테고리에서 시청자들의 선택을 많이 받은 단어와 형용사를 추려 내면 역으로 넷플릭스에서 어떤 영화가 인기 있고 많은 비중을 차지하는지 파악할 수 있음 어떤 주제에 대한 영화가 선호되는지 분석한 결과 결혼(Marriage)을 다룬 영화에 대한 선호가 가장 높게 나타났으며, 충성심(Royalty), 부모애(Parenthood), 연인들의 재회(Reunited Lovers), 명성(Fame)이 뒤를 이었음 또한, 시청자들이 가장 선호하는 형용사 단어는 로맨틱(Romantic)이며, 고전(Classic), 어둡고 암울함(Dark), 비평가들의 극찬을 받은(Critically Acclaimed), 서스펜스 넘치는(Suspenseful)과 같은 단어들이 선호되어 어떤 특징의 영화들이 인기 있는지 짐작할 수 있게 함 22
그림 7 넷플릭스 콘텐츠 장르 태그에서 선호되는 형용사 단어 출처: The Atlantic(2014.1.2, http://www.theatlantic.com/technology/archive/2014/01/how-netflix-reverse-engineered-hollywood/282679) 2) 왓챠(Watcha) 최근 프로그램스(Frograms)라는 한국의 벤처 회사에서 개발해 2013년 5월부터 서비스를 개시한 영화 추천 서비스인 왓챠(Watcha)가 인기를 얻으면서 사용자가 증가하고 있음 왓챠는 25억의 벤쳐 투자 자금을 유치할 정도로 기술력과 서비스 역량을 인정받았으며, 페이 스북 아이디에 기반을 둔 유저들의 참여를 바탕으로 현재까지 1억 3천만 개 이상의 영화 평가 DB를 확보 좋아하는 영화 20여 편에 대한 별점을 매기면 이와 유사한 영화를 영화감독, 배우, 장르 등의 조건에 맞춰 보여주는 방식으로 페이스북 친구의 별점 평가와 리뷰도 확인할 수 있음 자신이 원하는 취향에 맞는 영화를 제법 잘 찾아준다는 입소문과 함께 사용자들의 높은 평가 를 받고 있는 것으로 알려짐 왓챠의 영화 추천 서비스는 회원 가입 시 의무적으로 기입하게 되어 있는 영화 별점을 통해 가입자의 영화 선호 데이터를 수집한 후 머신러닝 방식으로 분석 최초 회원 가입 시 다양한 영화 리스트 중에서 자신이 직접 봤던 영화들에게 대해 최소한 15 편 이상 의무적으로 별 1개에서 5개까지 별점 4) 을 매겨야만 함 4) 실제로는 별 반개 단위(한 개 반, 네 개 반 등)로 평가할 수 있기 때문에 10점 단위의 별점 척도 로 볼 수 있음 23
CT 이슈분석I I 영화 영화 별점 등록 과정이 직관적이고 단순하기 때문에 긴 시간이 소요되지 않고, 더 많은 별점 을 정확하게 등록할수록 자신의 취향에 적합한 영화가 추천되기 때문에 사용자들이 자발적 으로 많은 영화들에 별점을 충실히 매기게 됨 감독, 배우, 장르, 내용과 같은 왓챠만의 데이터 분류 기준으로 영화의 데이터를 추출한 후 비 슷한 취향을 가진 사람들을 분석 추천 영화들은 예상 별점이 가장 높은 영화, 좋아할만한 감독 혹은 배우가 출연한 영화, 높게 평가한 영화와 비슷한 영화와 같은 기준으로 분류됨 왓챠의 박태훈 대표는 처음에는 데이터가 부족해 예상이 빗나가는 경우도 있었지만, 지금은 정확하다는 평가를 훨씬 많이 듣는다. 고 밝히며 현재 회원 수가 85만명이고, 1인당 평가한 영화는 평균 100편 정도 라며 이 정도면 패턴을 분석하고 추천하는데 아무런 문제가 없는 수 준 이라고 덧붙임(경제투데이, 2014.6.19) 그림 8 왓챠의 서비스 화면 출처: 왓챠(https://watcha.net/) 왓챠는 새로운 버전을 내놓으면서 기능을 추가했으며, 언어적인 제약이 크지 않은 서비스 특성 상 해외 진출도 가능할 것으로 전망됨 왓챠 2.0 버전에서는 사용자가 추천받은 영화를 바로 스마트폰이나 IPTV에서 볼 수 있도록 연 결하는 기능이 추가되었음 왓챠의 유저 평점 수는 1억 3천만 건을 돌파할 정도로 단기간에 성장했으며, 영화 평점 데이 터가 늘어날수록 유저 취향 분석이 더욱 정확해지는 강점을 보유 왓챠의 박태훈 대표는 글로벌로 진출해도 충분히 가능성이 있는 서비스 라고 밝힘(경제투데 이, 2014.6.19) 24
3) 지니(Jinni) 지니(Jinni)는 북미에서 서비스되고 있는 웹사이트 기반의 영화 추천 서비스로, 무비 게놈 프로젝트(Movie Genome Project) 라는 명칭의 데이터 분석 시스템으로 정확한 추천을 가능하게 한다는 평가를 받고 있음(LIfehacker, 2012.2.12) 지니는 2008년 1월 설립되었으며, 설립 후 260만 달러, 2011년 5월 500만 달러의 벤처 투자금을 유치했고, 2010년에는 구글 TV(Google TV)와의 전략적인 제휴를, 2012년에는 스위스컴 (Swisscom)과 자사의 시멘틱 검색 기술을 제공하는 계약을 맺었음 2013년 11월에는 웹사이트 전면 개편과 함께 아이패드용 앱을 출시했고, 영화나 TV와 같은 콘 텐츠를 개인 취향에 따라 분석, 시멘틱 검색과 소셜 기반 추천 서비스를 제공 지니는 영화의 판도라(Pandora) 5) 서비스라고 지칭되고 있으며, 영화 종류, 장르, 분위기, 배 우 등의 분류에 따라 영화 추천을 제공 추천 결과를 개봉일자, 장르 등의 기준으로 다시 정렬하거나 좁히는 것도 가능하며, 계정을 보유하고 있을 경우 추천 결과와 영화 선호도를 저장할 수 있음 지니의 영화 데이터 분석은 무비 게놈 프로젝트에 의해 자체적인 기준으로 수집되고 분류됨 그림 9 지니의 서비스 화면 출처: Jinni(www.jinni.com) 5) 세계 최대의 인터넷 음악 라디오 서비스로 정교한 음악 데이터 분석을 통한 추천 기능을 갖추고 있음 25
CT 이슈분석I I 영화 지니는 의미에 기반을 둔 시맨틱 검색(Semantic Search) 기능을 제공(Cnet, 2009.3.19) 시멘틱 검색은 의미가 있는 문장이나 구문 단위로 검색할 수 있는 기능을 가리키며, 지니는 시멘틱 검색을 통해 갱스터들이 출연하는 영화, 디스토피아 미래를 배경으로 한 액션 영화, 데이트용 영화 와 같은 문구를 검색하면 해당 키워드에 맞는 영화들을 추천해 주는 기능을 제공 지니의 영화 추천은 무비 게놈 프로젝트(Movie Genome Project) 를 통한 자체적인 데이터 분석과 머신 러닝(Machine-learning) 및 자연어 분석(Natural Language Processing) 기술에 기반을 두고 이루어짐(Jinni, 2014) 영화 게놈 분석은 영화의 분위기(mood, tone)와 플롯(전쟁 이야기, 선악 대립), 구조(선형적 이야기, 액자 속 이야기 구조), 기준(폭력, 선정성)과 같은 이야기적 요소로 구분됨 이러한 영화 게놈의 기준은 영화 전문가들에 의해 지니 내부적으로 사람의 수작업으로 선정 되는데, 수 천 개의 게놈 중에 영화 한 편을 특징짓는 게놈은 50개 정도 결정됨 또한 영화 평론가 평가, 유저 평가, 메타 데이터를 기반으로 머신 러닝 기술과 자연어 분석 기 술을 통해 지니의 시스템이 영화 작품들을 자동적으로 분류하게 됨 지니는 사람의 수작업과 시스템의 자동화된 처리를 병행함으로써 영화 추천의 질을 향상시 킨다고 밝힘 26
4. 주요 이슈 및 시사점 1) 콘텐츠의 홍수 시대에 영화 추천 서비스의 중요성은 계속 증가할 전망 감상할 수 있는 영화 작품의 수가 방대해지고 콘텐츠가 범람하는 상황에서 영화 추천 기술과 서비스의 중요성은 계속해서 증가할 전망 디지털 미디어 기술의 발달과 온라인 영화 서비스의 등장으로 즐길 수 있는 콘텐츠의 종류와 양이 너무나 많아지면서 이제는 콘텐츠를 어떻게 소비자에게 알릴 것인가 의 문제가 부각되 고 있음 콘텐츠의 양과 가짓수가 너무 많은 경우 사용자가 자신이 선호하고 좋아하는 것을 찾아내는 것이 매우 힘들어진다는 문제도 발생 영화 추천 기술과 서비스는 이러한 환경에서 등장했으며, 앞으로도 그 중요성이 계속해서 증 가할 전망 영화 추천 기능 및 서비스는 영화 감상자의 만족도를 향상시킬 수 있는 핵심 서비스로 여겨지고 있음 넷플릭스가 경쟁사인 아마존에 비해 더 적은 콘텐츠 라이브러리 6) 로도 더 높은 매출을 기록 하고 더 큰 가입자 만족도를 이끌어내는 것은 넷플릭스 특유의 추천 시스템 덕분인 것으로 평 가되고 있음 향후 영상 콘텐츠 제공 업체의 경쟁력은 얼마나 많은 콘텐츠를 제공하느냐가 아닌, 얼마나 양질 의 작품들을 소비자에게 효율적으로 추천하느냐에 의해 결정될 것으로 전망됨 2) 상황 인지 정보 및 SNS와 복합된 영화 추천 서비스로 발전할 전망 영화 추천 서비스는 향후 상황 인지 정보(Context-aware Information)를 활용하는 방향으로 진화할 전망 현재 영화 추천 서비스에 이용되는 데이터는 사용자가 과거 어떤 특징의 영화를 선호했는가 와 영화의 객관적 데이터 및 내용적 정보와 같이 과거에 존재했던 불변하는 데이터만을 사용 하고 있음 6) Netlix가 약 3만여 개의 콘텐츠 라이브러리를 확보한 데 비해 후발 주자인 Amazon Instant Video는 약 8만 6천여 개의 콘텐츠를 제공 중 27
CT 이슈분석I I 영화 그러나 감상자의 영화 선호는 날씨가 어떤지, 누구와 함께 있는지, 어디서 영화를 볼 것인지, 영화를 보고 싶은 시간이 언제인지와 같은 상황 인지 정보(Context-aware Information)에 따라 달라질 수 있음 이러한 상황 인지 정보는 스마트폰과 착용형 단말(Wearable Device)의 발달 7) 에 따라 과거보 다 훨씬 간편하고 정확하게 수집 및 분석될 수 있음 향후 발전될 형태의 영화 추천 서비스는 시시각각 변화하는 상황 인지 정보를 수집, 반영해 보다 더 정확하게 개인 맞춤화된 영화 추천을 가능하게 할 것으로 전망됨 다만, 이러한 상황 인지 정보가 개인 프라이버시에 밀접하게 연관되어 있기 때문에, 이를 영 화 추천에 반영하기 위해서는 자신의 상황 인지 정보를 활용하는 데 대한 유저의 거부감을 줄 이고, 개인 정보 유출에 대한 우려를 해소할 필요가 있음 소셜네트워크(SNS)와 결합된 영화 추천 서비스로 발전할 전망 소셜네트워크(SNS) 상에서 영화 감상에 대한 의견을 나누고, 공유하는 사용 행태가 늘어나면 서 SNS와 결합된 영화 추천 서비스로 발전하게 될 것으로 전망됨 국내 영화 추천 서비스인 왓챠는 트위터를 통해 영화 감상을 공유할 수 있는 기능을 제공함으 로써, 내가 트윗하고 있는 사람들이 어떤 영화를 선호하고 감상했는지 알 수 있게 함 참고문헌 경제투데이(2014.6.19). 왓챠 박태훈 대표 정보 과잉시대, 개인화 기술로 해결. Available at http://www.eto.co.kr/news/outview.asp?code=20140619132721617&ts=81736 Cervenova, D.(2013). Emotion-Aware Movie Recommender Based on Genre Impact Analysis. 2013 PeWe Workshop. pp. 3-4 Cnet(2009.3.19). Top 10 movie recommendation engines. Retrieved from http://www.cnet.com/news/top-10-movie-recommendation-engines/ Jinni(2014). The Entertainment Genome. Retrieved from http://www.jinni.com/info/entertainment-genome.html Lee, Y. S., Pham, X. H., Trung, D. N., Jung, J. J., & Nguyen, H. T. (2014). Social Context-Based Movie Recommendation: A Case Study on MyMovieHistory. In Context-Aware Systems and Applications (pp. 339-348). Springer International Publishing. Lifehacker(2012.2.12). Five Best Movie Recommendation Services. Retrieved from http://lifehacker.com/5884202/five-best-movie-recommendation-services 28 7) 스마트폰을 통해 위치 정보와 시간 정보가 파악할 수 있고, 착용형 단말을 통해 전달되는 심박수 와 같은 생체 신호를 통해 개인의 신체적이고 감정적인 상태 또한 간접적으로 파악 가능함
Scientific American(2012.6.20). How Movie Recommendation Systems Work. Retrieved from http://www.scientificamerican.com/article/rated-x-how-movie-recommendation-systems-work/ The Atlantic(2014.1.2). How Netflix Reverse Engineered Hollywood. Retrieved from http://www.theatlantic.com/technology/archive/2014/01/how-netflix-reverse-engineered-hollywood/282679/ 용어정리 빅데이터(Big Data) 분석 시멘틱 검색 (Semantic Search) 기계 학습(Machine Learning) 빅데이터란 디지털 환경에서 생성되는 데이터로 그 규모가 방대하고, 생성 주기도 짧고, 형태적인 면에서도 수치 뿐 아니라 문자와 영상 데이터를 포함하는 대규모 데이터를 가리킴 문서의 의미(Semantic)를 분석해 검색하는 기술을 말함. 즉, 문장이나 단락에 기술된 주제를 파악하고 이를 대상으로 검색 머신러닝(Machine Learning), 딥러닝(Deep Learning)이라고 불리기도 하며, 컴퓨터가 데이터를 통해 스스로 학습하고 어떤 질문이나 과제에 대한 판단을 내릴 수 있도록 하는 일종의 컴퓨터 인공지능 기술임 29