chapter 2 추천기반음악스트리밍서비스플랫폼동향과전망 * 손준영 드림어스컴퍼니매니저 I. 서론 스마트폰기반의라이프스타일변화로음악콘텐츠에대한소비패턴이오프라인콘텐츠플레이에서온라인실시간플레이로변화된지이미오랜시간이흘렀다. 기존에는특정음악콘텐츠에대해서앨범발매정보, 바이럴마케팅등의광고를통해사전정보를얻고자신의취향에맞는음악콘텐츠를선별하여소비했다. 하지만, 전세계적으로끊임없이늘어나는음악콘텐츠에대한모든정보를사전에취득하고선별하여소비하기가어려운시대에접어들었다. 이에따라음악스트리밍서비스플랫폼업계에서는음악콘텐츠소비자들의만족스럽고, 지속적인음악콘텐츠소비를돕기위해선제적인음악추천서비스를시작하였다. 본고에서는이러한추천기반의음악스트리밍서비스플랫폼의현황과플랫폼의구성, 그리고기술요소에대한이해를통해플랫폼서비스의한계와향후발전방향에대해살펴본다. 본고의구성은다음과같다. II장에서는음악스트리밍서비스의국내외현황과함께추천기반음악스트리밍서비스의현황을소개하고, III장에서는플랫폼의시스템아키텍처와구성요소를제시하고추천중심의기술요소에대해살펴본다. 마지막으로 IV장에서 * 본내용은손준영매니저 ( 1599-6034, jun.y.son@dreamus.io) 에게문의하시기바랍니다. ** 본내용은필자의주관적인의견이며 IITP 의공식적인입장이아님을밝힙니다. 14 www.iitp.kr
는추천기반의음악스트리밍플랫폼서비스의한계점과앞으로의발전방향에대한전망 을제시한다. II. 추천기반음악스트리밍서비스플랫폼현황 1. 국내외음악스트리밍서비스현황 우리나라의경우 2000년대 MP3 중심의오프라인디지털음원플레이어를이용한음악감상이주류를이루었다, 하지만, 2010년전후로스마트폰이보급되고네트워크환경이고속으로발전하면서온라인실시간음악스트리밍서비스가확산되어, 2020년현재는스마트폰, 스마트워치등의모바일기기를이용한온라인스트리밍음악감상이일상화되었다. 하지만, 음악스트리밍서비스의경우저작권, 인접권, 실연권등의도메인특화된권리로인한제약사항때문에각국가내에서서비스를제공하는경우가많다. 이러한음악콘텐츠가가진특별한권리들에의해글로벌음악스트리밍서비스를제공하기가쉽지않고시장이이미포화된상태임에도불구하고플랫폼특성상 CAPEX(CAPital EXpenditures) 에 1) 비해 OPEX(OPerational EXpense) 는 2) 상당히작은비율을차지하기때문에해외국가들에서비스를제공하려고끊임없이준비하며시도하고있다. 이와관련하여, 우리나라의음악스트리밍서비스시장과해외음악스트리밍서비스시장의현황과국내의추천기반음악스트리밍서비스성장추세를확인해본다. 가. 국내음악스트리밍서비스시장현황 [ 그림 1] 은 2014년을기준으로음악스트리밍경험자들의음악스트리밍서비스이용방법에대한조사결과로, 멜론 이 63.7% 로 1위를차지하고있다 [1]. [ 그림 2] 는 2018년과 2019년을기준으로조사한음악스트리밍및다운로드서비스이용결과로, 멜론 이 56.8% 로가장높고, 이어서 유튜브 (39.3%), 지니 (20.3%) 등의 1) 서비스제공을위한소프트웨어를포함한하드웨어전반의설비환경을구축하는데투입된비용 2) 서비스를제공하고운영하는데소요되는비용 정보통신기획평가원 15
< 자료 > 음악산업백서, 2015. [ 그림 1] 음악스트리밍서비스이용방법 순으로높게나타났다. 전년도에이어 멜론 이가장높으며, 유튜브 는전년대비 3.5%p 증가했다.[2] [ 그림 1] 과 [ 그림 2] 를비교해보면부동의 1위사업자의점유율은조금씩낮아지고경쟁사들의점유율이올라가고있음을확인할수있다. * Base: 음원스트리밍, 다운로드및기타디지털음원이용자, 증복응답, 단위 : % ** 2018 년 유튜브레드, 몽키 3, 벅스뮤직 이 2019 년 유튜브뮤직, 모모플 ( 몽키 3), 벅스 로각각보기수정됨 *** 2019 년 FLO 보기추가됨 < 자료 > 음악산업백서, 2019. [ 그림 2] 음악스트리밍및다운로드서비스이용방법 [ 그림 3] 은최근 1년음악스트리밍및다운로드서비스에대한유료경험에대한조사결과로, 성별에따른큰차이없이전체적으로유료이용경험이증가하고있음을알수있다. [ 그림 4] 에서알수있듯, 음악스트리밍서비스이용빈도에서도일주일에 1회이상 16 www.iitp.kr
* Base: 음원스트리밍, 다운로드및기타디지털음원이용자, 단위 : % < 자료 > 음악산업백서, 2019. [ 그림 3] 최근 1 년음악스트리밍및다운로드서비스유료경험 서비스를이용하는비율이매년증가추세에있으며, 2019년에는약 80% 에이르렀다 [1]. 음악스트리밍서비스신규유입대상을기준으로생각해보면레드오션으로해석될수있지만이미충분한서비스이용자규모가조성되었고유료사용자의증가추세측면에서는블루오션으로해석될수도있다. 이는국내음악스트리밍서비스뿐만아니라해외서비스시장에서도비슷한지표를보여주고있다. * Base: 음원스트리밍및기타디지털음원이용자, 단위 : % < 자료 > 음악산업백서, 2019. [ 그림 4] 음악스트리밍서비스이용빈도 정보통신기획평가원 17
나. 해외음악스트리밍서비스시장현황해외음악스트리밍서비스시장의경우부동의 1위인미국시장만을보아도글로벌서비스에대한지표를얻을수있다. [ 그림 5] 와같이애플의애플뮤직 (Apple Music) 이 4,950만명으로시장 1위사업자였고, 스포티파이 (Spotify) 는 4,770만명으로 2위를기록했다. 판도라라디오 (Pandora Radio) 와사운드클라우드 (Sound Cloud) 가각각 3,680 만명과 3,420만명의가입자로 3위와 4위를차지했다.[2] 국내시장과비교해볼때, 하드웨어 ( 스마트폰 ) 를기반으로한애플뮤직이상당한시장점유율을차지하고있다는특이점을볼수있다. 이는콘텐츠기반의서비스뿐만아니라재생기기에대한고려도시장선점에중요한요소로인식될수있음을암시한다. 또한, 스포티파이는추천기반의음악스트리밍을선도적으로제공하며성공한기업으로유명하다. 음악스트리밍시장의경쟁이과열됨에따라추천기반의음악스트리밍서비스는필수로변화되어가고있다. < 자료 > 음악산업백서, 2019. [ 그림 5] 미국음악스트리밍월가입자규모 ( 단위 : 백만명 ) 2. 추천기반음악스트리밍서비스현황 국내의대표적인음악스트리밍서비스대부분이기존차트중심의콘텐츠제공모델에 서변화하여추천기반의콘텐츠 (Playlist) 를제공하고있는추세이다. [ 그림 6] 은국내 18 www.iitp.kr
< 자료 > 드림어스컴퍼니자체제작 [ 그림 6] 국내추천기반음악스트리밍서비스 음악스트리밍서비스애플리케이션의추천콘텐츠제공화면이다. 이는개인맞춤형추천콘텐츠를제공함으로써지속적인서비스이용을유지하도록한다. 이러한추천콘텐츠를제공하기위해서는기본적인시드 (seed) 3) 데이터인장르, 가수, 트랙등의데이터를기반으로추천플레이리스트를생성하기도하고 OTP(Occasion/ Time/Place) 요소가가미된추천콘텐츠를제공하기도한다. 최근에는머신러닝 (Machine learning) 기술을적용하여사용자개개인에최적화된추천콘텐츠를제공하기위한노력이많이진행되고있다. 추천콘텐츠를생성하여제공하기위해서는기본적인음악스트리밍서비스제공플랫폼에더하여추천콘텐츠생성 / 관리 / 제공플랫폼이더해져야한다. 다음장에서추천기반음악스트리밍서비스플랫폼의구성에대해서살펴본다. 3) 추천콘텐츠를생성하기위한최소한의정보. 시드데이터를시작으로사용자의행태정보를가미하여보다높은품질의추천콘텐츠를생성할수있다. 정보통신기획평가원 19
III. 추천기반음악스트리밍서비스플랫폼의구성 1. 추천기반음악스트리밍서비스플랫폼의구성요소 [ 그림 7] 과같이추천기반음악스트리밍서비스플랫폼은크게음원관리모듈, 메타정보관리모듈, 서비스관리모듈, 추천관리모듈 4가지로구성되어있다. 음원관리모듈은음원에대한입수 (Ingestion) 부터트랜스코딩 (Transcoding) 을진행하며, 기본적인메타정보등록까지담당한다. 메타정보관리모듈은운영적인요소로필요에의한추가적인메타정보를생성 / 관리한다. 서비스관리모듈은서비스이용권의구매, 인증, 재생, 정산과함께서비스전반적인기능을제공한다. 추천관리모듈은사용자가제공한시드 (seed) 데이터 ( 장르, 아티스트등 ) 를시작으로 Behave( 청취이력, 좋아요, 댓글등 ), OTP 등의부가적인요소를더하여사용자가좋아할만한메타정보를생성하고추천데이터로제공한다. 4가지관리모듈의역할을정리해보면 [ 표 1] 과같다. < 자료 > 드림어스컴퍼니자체작성 [ 그림 7] 추천기반음악스트리밍서비스플랫폼의구성요소 20 www.iitp.kr
[ 표 1] 추천기반음악스트리밍서비스플랫폼의구성요소별역할 구성요소음원관리모듈메타정보관리모듈서비스관리모듈 역할음원입수 (Ingestion), 트랜스코딩 (Transcoding), 메타정보등록 (Meta data) 등 Album, Genre, Track, Artist, Playlist, Chart 등의운영요소로서의메타정보관리콘텐츠딜리버리, 인증 / 인가, 서비스이용권구매, 유관기관정산등서비스전반에필요한기능 추천관리모듈 < 자료 > 드림어스컴퍼니자체작성 시드데이터기반사용자맞춤추천콘텐츠생성및제공 추천관리모듈의경우서비스이용자에최적화된콘텐츠를생성하기위한여러가지 알고리즘과기술요소들을활용한다. 2. 추천시스템아키텍처 추천시스템을기반으로음악스트리밍서비스를제공하는플랫폼에대한기술요소를확인하기전에추천시스템의아키텍처에대한이해가필요하다. 유튜브의추천시스템아키텍처는동영상에대한추천을위한아키텍처이지만, 기본적인추천시스템아키텍처를이해하기에무리가없다. [ 그림 8] 은유튜브서비스에서영상에대한추천을위한시스템아키텍처로, 추천시스템의기본적인흐름을이해할수있다. < 자료 > Deep Neural Networks for YouTube Recommendations, 2016. 9. [ 그림 8] 유튜브의추천시스템의아키텍처 정보통신기획평가원 21
기본흐름은다음과같다.[4] 1 콘텐츠를수집한다. 2 추천될후보콘텐츠리스트를생성한다. 3 후보콘텐츠리스트에부가적인특징요소들을반영하여순위를정한다. 4 정해진순위를기준으로상위후보부터추천콘텐츠로제공한다. 여기서후보콘텐츠를생성하고부가적인특징요소들을반영하여순위를계산하는과정에있어서다양한기술요소들이이용된다. 각흐름에대해서조금더자세히살펴보면 [ 표 2] 와같이정리할수있다. [ 표 2] 유튜브의추천시스템단계별처리과정상세 단계 1. 데이터수집단계 2. 후보도출단계 3. 순위결정단계 처리과정 사용자가동영상을업로드하고동영상에대한메타정보를입력받아서지속적인데이터수집과정을진행한다. 유튜브사용자의행위이력 ( 시청정보, 좋아요, 플레이리스에추가등 ) 을입력으로받고대량의동영상에서사용자에게적합한서브셋 (subset) 동영상을추출하여후보를도출한다. 이때도출된후보는일반적인관점에서사용자에게적합하다고판단된데이터이다. 후보도출단계에서생성된데이터를크게 3 가지 ( 동영상자체, 사용자중심, 다각화 )* 단계로평가하고순위를결정한다. - 동영상자체단계는사용자와무관한동영상그자체에대한속성 ( 전체시청수, 평점, 댓글, 공유등 ) 을기반으로평가한다. - 사용자중심단계는사용자의기호와환경 ( 사용자의시청이력, 시청시간등 ) 을기준으로평가한다. - 다각화단계는앞서진행한평가만으로는유사한특정콘텐츠에치우친추천데이터가생성될수있으므로연관된콘텐츠에대한제한또는제공채널을한정하여다양한콘텐츠를제공하도록한다. 4. 콘텐츠제공단계 순위결정단계에서정해진점수를기준으로높은점수부터낮은점수순으로사용자에게콘텐츠를제공한다. * 참고문헌에서는 video quality, user specifcity, diversification 으로표현하고있다. < 자료 > J. Davidson, B. Liebald, J. Liu, P. Nandy, T. Van Vleet, The YouTube video recommendation system, ACM, RecSys 10, 2010, pp.293-296. 순위결정단계가추천콘텐츠선정의핵심단계이고, 주로알고리즘기반의 CF (Collaborative Filtering) 기술과콘텐츠가지닌특성기반으로분석하는 CBF(Content -based Filtering) 기술을주로이용한다. 22 www.iitp.kr
3. 음악스트리밍서비스플랫폼의추천시스템기술요소 추천기반음악스트리밍서비스플랫폼의시스템을구성하기위한기술유형은 [ 표 3] 과같이 CF, CBF, Hybrid(CF+CBF) 이렇게 3 가지로분류할수있다. [ 표 3] 추천기반음악스트리밍서비스플랫폼의시스템기술유형 기술유형 CF (Collaborative Filtering) CBF (Content-based Filtering) Hybrid (CF + CBF) 개념 사용자가제공한 seed data( 장르, 아티스트등 ) 와사용자의 behave data( 청취이력, 좋아요 / 싫어요, 댓글등 ), OTP(Occasion/Time/Place) 등의데이터를연결하고이를기반으로유사도를평가하고음원을분류하는기술 콘텐츠자체의특징을추출하고분석하여사용자의기호에맞는콘텐츠를제공할수있도록분류하는기술 CF 와 CBF 를혼용하여사용자별최적화된콘텐츠를분류하는기술 < 자료 > 드림어스컴퍼니자체작성 CF 기술은사용자로부터기본적인기호데이터를제공받고음악스트리밍서비스사용 패턴과상황 / 시간 / 장소등의부가적인요소들을결합하여연관관계를파악하고유사도를 [ 표 4] 음악스트리밍서비스플랫폼의추천시스템기술요소 기술유형기술요소설명 CF (Collaborative Filtering) 행렬분해 (Matrix Factorization) 오토인코더 (Autoencoder) 디노이징오토인코더 (Denoising Autoencoder) 행렬을특정한구조를가진행렬들의곱으로표현. 분석대상 (user, track, artist 등 ) 간의상관관계를행렬로표현하고곱하여나온행렬의유사도를기준으로순위를결정하는기술 [6] 원본데이터에대한특징을추출 ( 데이터압축 ) 하고다시추출된특징을기반으로원본에가까운데이터를복원하는기술 [10] 복원능력을더욱강화시키기위해오토인코더 (Autoencoder) 의학습방법을변경시킨기법으로원본에노이즈 (noise) 를추가하여학습하고원본데이터를복원하는기술 [11] CBF (Content-based Filtering) < 자료 > 드림어스컴퍼니자체작성 신호처리기술 특징추출 (Feature Extraction) 필터링메소드 (Filtering Method) FFT(Fast Fourier Transform), DCT(Discrete Cosine Transform), STFT (Short-Time Fourier Transform), 멜스펙트로그램 (mel-spectrogram) 등의신호변환기술등 [3] Log-amplitude Mel-spectrogram 과 Convolution 을이용한특징추출이주로이용됨 [3] 의사결정나무 (Decision Tree)[7], DNN(Deep Neural Network)[4], Probabilistic Model[10] 등의알고리즘을이용하여콘텐츠에대한분류실행 정보통신기획평가원 23
도출하여분석된결과를기반으로추천해주는방식이다 [6],[8]. CBF 기술은콘텐츠자체가지닌특성을추출하고분석하여비슷한특성을가진콘텐츠에대해서연관관계를설정하고추천해주는방식이다. 음악스트리밍서비스의경우음파에대한분석을통해특성추출이가능하다 [7],[8]. 과거에는비교적손쉽게구축가능한기술인 CF 기술을기반으로콘텐츠분류와함께추천콘텐츠를제공해왔지만, 최근에는 CF 기술과더불어 CBF 기술을병행하여사용하는하이브리드방식을주로이용한다 [9]. CF 기술과 CBF 기술에서적용되는기술요소에대해서좀더자세히살펴보면 [ 표 4] 와같다. 특히, CBF 기술의특징추출과정에서는음파를 FFT, STFT, spectrum[3] 등의기술을이용하여 Mel-spectrogram 으로이미지화하고, CNN(Convolutional Neural Network) 을이용한학습을통해유사도를판별하고사용자가좋아할만한콘텐츠를필터링하여제공한다 [6]. IV. 시사점과향후전망 딥러닝기술의발전에힘입어추천시스템기술도상당한발전을꾀하고있다. 이러한추천기반의콘텐츠제공으로성공한대표적서비스인스포티파이 (Spotify) 가한국지사를설립하면서국내음악스트리밍시장을위협하고있다. 뿐만아니라세계 1위의영상플랫폼을갖춘유튜브서비스도음악스트리밍서비스시장에대한점유율을높이고자적극적인마케팅활동을하고있다. 과거에글로벌음악스트리밍서비스기업이국내음원시장에참여했다가실패한사례가있다. 당시의실패의원인은한국의소비자들의 K-POP 중심소비문화에맞춘음원소싱이이루어지지않았기때문으로해석된다. 하지만, 지금은글로벌음악스트리밍서비스기업들도 K-POP에대한중요성을충분히인식하고그에대한준비와함께개인화된추천기반의강력한기술을이용하여국내시장에진출하려고시도하고있다. 향후, 국내음악스트리밍서비스기업들은개인화된추천서비스를기본으로제공하고보다고품질의콘텐츠를제공해야만시장에서살아남을수있을것으로전망된다. 그러기위해서필요한추천요소를 [ 그림 9] 와같이짐작해볼수있다. 24 www.iitp.kr
< 자료 > 드림어스컴퍼니자체작성 [ 그림 9] 향후요구될것으로보이는추천요소 크게 6가지영역 ( 행위 (behave), 감정 (feeling), 사회 (social), 디바이스 (device), 바이오정보 (bio), 프라이버시 (privacy)) 로나누어각영역별로활용할수있는데이터를충분히활용하고적용했을때완전하게개인화된콘텐츠를추천해줄수있을것으로보인다. 앞서제시한데이터요소를활용하기위해서는정책적인문제로개인정보의활용과사생활보호라는양자간의 trade-off가있을것으로전망된다. 결국, 사용자의선택에따라추천의품질이결정될것이므로기술적으로충분한준비를해야한다. [ 참고문헌 ] [1] 한국콘텐츠진흥원, 2015 음악산업백서, 문화체육관광부, 2016. p.176. [2] 한국콘텐츠진흥원, 2019 음악산업백서, 문화체육관광부, 2019. p.101, p.107, p.112, p.189. [3] 황승원, 딥러닝기술을활용한소리인식, 창조경제혁신센터, 2017. 9. 29. [4] Paul Covington, Jay Adams, Emre Sargin, Deep Neural Networks for YouTube Recommendations, Google, 2016. [5] J. Davidson, B. Liebald, J. Liu, P. Nandy, T. Van Vleet, The YouTube video recommendation system, ACM, RecSys 10, 2010, pp.293-296. [6] Aaron van den Oord, Sander Dieleman, Benjamin Schrauwen, Deep content-based music recommendation, Ghent University, 2013. 정보통신기획평가원 25
[7] Yoshinori Hijikata Kazuhiro Iwahama Kazuki Takegawa Shogo Nishida, Content-Based Music Filtering System with Editable user Profile, Osaka University, 2006. [8] Mark Claypool 외 5명, Combing Content-Based and Collaborative Filters in an Online Newspaper, WPI, 1999. [9] Marko Balabanovi c and Yoav Shoham, Fab content-based, collaborative recommendation, ACM, 1994. [10] Maurizio Ferrari Dacrema, Paolo Cremonesi, Dietmar Jannach, Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches, ACM, 2019. [11] Tae Young Lee, Denooising auto encoders, SlideShare, 2016, pp.9-16. 26 www.iitp.kr