음악으로 세상읽기 · 컴퓨터공학 관점

추천 알고리즘은 내 음악 취향을 만드는가?

실제 글로벌 차트의 곡명과 스트리밍 데이터를 놓고, 개인화 추천이 음악 취향을 어떻게 넓히거나 좁히는지 읽어본다.

Spotify 차트 스냅샷 필터버블 추천 시스템 음악 다양성

차트는 취향의 거울이면서 플랫폼의 결과물이다 누가 듣는가, 무엇이 추천되는가, 어떤 곡이 반복 노출되는가가 모두 음악 문화의 흐름을 바꾼다.

관점

음악을 들으면, 세상이 보인다

♪ 차트는 사회의 취향 기록

어떤 노래가 많이 재생되는지는 세대, 지역, 언어, 팬덤, 플랫폼 노출이 만난 결과다.

# 플랫폼은 문화의 유통 구조

예전의 라디오와 음반 매장처럼, 오늘의 스트리밍 홈 화면은 음악을 만나는 입구다.

AI 알고리즘은 선택의 환경

추천은 단순 편의 기능이 아니라 내가 듣는 음악, 놓치는 음악, 넓어지는 취향을 정한다.

음악으로 세상읽기 = 음악 자체 + 음악을 보여주는 기술 + 그 기술이 만드는 사회적 선택

내가 좋아해서 듣는 걸까,
자꾸 보여줘서 좋아진 걸까?

음악 추천은 선택지를 줄여주는 동시에, 선택 가능한 세계를 먼저 정렬한다.

It's MeILLIT · MAMIHLAPINATAPAI

Dramaaespa · Drama

BaddieIVE · I'VE MINE

Seed 3곡: 중독성 강한 훅, 전자음, 반복 리듬이 가까운 K-pop/테크노팝 계열. 앨범아트와 10초 샘플: Apple Music/iTunes preview URL.

10초 하이라이트 버튼을 누르면 공식 preview 음원을 짧게 재생합니다. 인터넷 필요

플랫폼은 곡보다 먼저 행동 패턴을 본다

1

행동 로그

검색, 재생, 스킵, 저장, 반복 재생이 사용자의 taste profile을 만든다.

2

콘텐츠 특성

장르, 발매일, 분위기, 음원 특성, 아티스트 정보가 곡의 좌표가 된다.

3

집단 패턴

나와 비슷한 사람들이 함께 들은 곡이 후보군으로 올라온다.

4

랭킹

후보 곡을 만족도, 맥락, 트렌드, 다양성 기준으로 다시 정렬한다.

score(song) = taste_match + context + trend + novelty/diversity

과학기술정보통신부 블로그 반영

편리함이 커질수록 우연성은 줄어든다

추천 시스템은 탐색 시간을 줄이고 만족도를 높인다. 하지만 참여 시간과 클릭 가능성을 높이는 방향으로 최적화되면, 검증된 취향 안쪽으로 더 깊게 들어가게 된다.

1콘텐츠 기반 필터링내가 좋아한 곡의 장르, 분위기, 음색과 가까운 곡을 추천한다.

2협업 필터링나와 비슷한 사람들이 들은 곡을 나에게도 보여준다.

3디지털 산책때로는 직접 다른 장르와 반대 취향을 찾아보며 추천 밖으로 걸어 나가야 한다.

편리함내 취향에 맞는 음악을 빠르게 찾는다.

안전한 추천이미 반응이 검증된 곡이 상위에 오른다.

우연성 감소낯선 장르와 반대 취향을 만날 기회가 줄어든다.

필터버블새 가능성보다 익숙한 세계가 반복된다.

차트와 개인화 추천의 차이

전 세계 인기곡과 내 홈 화면은 같은 문제가 아니다

글로벌 차트population

1Billie JeanMichael Jackson · 40Mglobal

2Beauty and a BeatJustin Bieber & Nicki Minaj · 39Mglobal

3the cureOlivia Rodrigo · 37Mglobal

4SWIMBTS · 34Mglobal

개인화 추천personal

AIt's Me밝은 전자음과 반복 훅의 seedseed

BDrama강한 신스와 중독성 있는 후렴seed

CBaddie쿨한 톤, 반복 리듬, 아이돌 팝 군집seed

DSupernova같은 전자음 중심 K-pop 후보near

문제는 차트가 있다는 사실이 아니라, 개인화 랭킹이 반복될수록 사용자가 먼 후보를 만날 기회가 줄어드는 데 있다.

필터버블 시뮬레이션

MJBillie Jean / Beat It / Human Nature같은 아티스트의 여러 곡이 상위권에 동시 진입catalog

ORthe cure / drop dead신곡 또는 현재 반응이 큰 곡도 함께 경쟁current

음악으로 세상읽기

필터버블은 음악 취향만의 문제가 아니다

1

취향의 고정

사용자가 낯선 음악을 싫어해서가 아니라, 애초에 추천 목록에 적게 등장해서 취향이 좁아질 수 있다.

2

문화 다양성 감소

비슷한 BPM, 분위기, 언어, 장르가 반복되면 음악 경험은 편해지지만 덜 다양해진다.

3

플랫폼 권력

무엇이 상위에 노출되는지에 따라 아티스트의 발견 가능성과 음악 산업의 흐름이 바뀐다.

핵심: 추천 알고리즘은 취향을 반영하면서 동시에 취향의 환경을 만든다.

설계 방향

좋은 추천은 잘 맞히는 것에서 끝나지 않는다

D

다양성 보너스

랭킹 점수에 장르, 국가, 시대, 아티스트 다양성을 반영한다.

N

새로움 슬롯

추천 목록 일부를 낯선 곡이나 신인 아티스트에게 배정한다.

W

사용자 제어권

정확도, 새로움, 장르 폭을 사용자가 직접 조절하게 한다.

better_recommendation = relevance + diversity + novelty + user_control

결론

알고리즘은 취향을 찾아주는 동시에 만든다

음악 추천은 단순한 편의 기능이 아니라, 우리가 어떤 곡을 만나고 어떤 곡을 놓치는지를 결정하는 문화적 인프라다.

1차트는 실제 데이터다하지만 개인의 홈 화면은 차트가 아니라 개인화 랭킹이다.

2반복 노출은 취향을 바꾼다좋아해서 듣는 것과 보여줘서 듣는 것은 섞여 있다.

3설계가 문화가 된다정확도만이 아니라 다양성과 탐색 가능성을 함께 설계해야 한다.

참고자료

자료 출처

과학기술정보통신부 블로그

편리와 편향, 콘텐츠 기반/협업 필터링, 우연성, 디지털 산책 개념 보강에 사용. 이미지는 라이선스 조건상 직접 삽입하지 않고 자체 도식화.

https://blog.naver.com/with_msip/224079950618

Soundcharts, Spotify Charts - Global

Week of May 28, 2026 공개 스냅샷. Top 10 곡명과 주간 스트림 수, Top 20 아티스트 반복 사례에 사용.

https://soundcharts.com/en/charts/spotify/global

Spotify, Understanding recommendations

taste profile, 검색/청취/스킵/저장, 콘텐츠 특성, 트렌드가 추천에 쓰인다는 설명에 사용.

https://www.spotify.com/safetyandprivacy/understanding-recommendations

YouTube Official Music Videos

공식 MV 원본 링크와 임베드 fallback 확인에 사용. 발표장 네트워크에서 임베드가 막히면 원본 링크로 대체.

ILLIT It's Me, aespa Drama, IVE Baddie official videos

Apple Music / iTunes Search API

ILLIT, aespa, IVE 앨범아트와 공식 preview audio URL 확인에 사용. 음원 파일을 저장하지 않고 원격 preview를 10초만 재생.

https://performance-partners.apple.com/search-api

Spotify for Artists, Understanding Spotify charts

Spotify 차트가 chart-eligible stream과 주간 집계 기간을 사용한다는 설명에 사용.

https://support.spotify.com/us/artists/article/understanding-spotify-charts/

Spotify Research, Algorithmic Effects on Diversity

추천 소비와 장기적 청취 다양성 사이의 긴장을 설명하는 연구 근거.

https://research.atspotify.com/publications/algorithmic-effects-on-the-diversity-of-consumption-on-spotify