주간기술동향 2020. 8. 19.

14 www.iitp.kr

*

I. 서론

스마트폰 기반의 라이프 스타일 변화로 음악 콘텐츠에 대한 소비 패턴이 오프라인 콘텐

츠 플레이에서 온라인 실시간 플레이로 변화된지 이미 오랜 시간이 흘렀다.

기존에는 특정 음악 콘텐츠에 대해서 앨범 발매 정보, 바이럴 마케팅 등의 광고를 통해

사전 정보를 얻고 자신의 취향에 맞는 음악 콘텐츠를 선별하여 소비했다. 하지만, 전 세계

적으로 끊임없이 늘어나는 음악 콘텐츠에 대한 모든 정보를 사전에 취득하고 선별하여

소비하기가 어려운 시대에 접어들었다. 이에 따라 음악 스트리밍 서비스 플랫폼 업계에서

는 음악 콘텐츠 소비자들의 만족스럽고, 지속적인 음악 콘텐츠 소비를 돕기 위해 선제적인

음악 추천 서비스를 시작하였다. 본 고에서는 이러한 추천 기반의 음악 스트리밍 서비스

플랫폼의 현황과 플랫폼의 구성, 그리고 기술요소에 대한 이해를 통해 플랫폼 서비스의

한계와 향후 발전 방향에 대해 살펴본다.

본 고의 구성은 다음과 같다. II장에서는 음악 스트리밍 서비스의 국내외 현황과 함께

추천 기반 음악 스트리밍 서비스의 현황을 소개하고, III장에서는 플랫폼의 시스템 아키텍

처와 구성요소를 제시하고 추천 중심의 기술 요소에 대해 살펴본다. 마지막으로 IV장에서

* 본 내용은 손준영 매니저(☎ 1599-6034, jun.y.son@dreamus.io)에게 문의하시기 바랍니다.** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다.

chapter 2

추천기반 음악 스트리밍 서비스 플랫폼 동향과 전망

•••손준영 ‖ 드림어스컴퍼니 매니저

ICT 신기술

ICT 신기술

정보통신기획평가원 15

는 추천 기반의 음악 스트리밍 플랫폼 서비스의 한계점과 앞으로의 발전 방향에 대한 전망

을 제시한다.

II. 추천 기반 음악 스트리밍 서비스 플랫폼 현황

1. 국내외 음악 스트리밍 서비스 현황

우리나라의 경우 2000년대 MP3 중심의 오프라인 디지털 음원 플레이어를 이용한 음악

감상이 주류를 이루었다, 하지만, 2010년 전후로 스마트폰이 보급되고 네트워크 환경이

고속으로 발전하면서 온라인 실시간 음악 스트리밍 서비스가 확산되어, 2020년 현재는

스마트폰, 스마트워치 등의 모바일 기기를 이용한 온라인 스트리밍 음악 감상이 일상화

되었다.

하지만, 음악 스트리밍 서비스의 경우 저작권, 인접권, 실연권 등의 도메인 특화된 권리로

인한 제약사항 때문에 각 국가 내에서 서비스를 제공하는 경우가 많다. 이러한 음악 콘텐츠

가 가진 특별한 권리들에 의해 글로벌 음악 스트리밍 서비스를 제공하기가 쉽지 않고 시장

이 이미 포화된 상태임에도 불구하고 플랫폼 특성상 CAPEX(CAPital EXpenditures)에1)

비해 OPEX(OPerational EXpense)는2) 상당히 작은 비율을 차지하기 때문에 해외 국가

들에 서비스를 제공하려고 끊임없이 준비하며 시도하고 있다.

이와 관련하여, 우리나라의 음악 스트리밍 서비스 시장과 해외 음악 스트리밍 서비스

시장의 현황과 국내의 추천 기반 음악 스트리밍 서비스 성장 추세를 확인해 본다.

가. 국내 음악 스트리밍 서비스 시장 현황

[그림 1]은 2014년을 기준으로 음악 스트리밍 경험자들의 음악 스트리밍 서비스 이용

방법에 대한 조사 결과로, ‘멜론’이 63.7%로 1위를 차지하고 있다[1].

[그림 2]는 2018년과 2019년을 기준으로 조사한 음악 스트리밍 및 다운로드 서비스

이용 결과로, ‘멜론’이 56.8%로 가장 높고, 이어서 ‘유튜브(39.3%)’, ‘지니(20.3%)’ 등의

1) 서비스 제공을 위한 소프트웨어를 포함한 하드웨어 전반의 설비 환경을 구축하는데 투입된 비용2) 서비스를 제공하고 운영하는데 소요되는 비용

주간기술동향 2020. 8. 19.

16 www.iitp.kr

순으로 높게 나타났다. 전년도에 이어 ‘멜론’이 가장 높으며, ‘유튜브’는 전년대비 3.5%p

증가했다.[2]

[그림 1]과 [그림 2]를 비교해 보면 부동의 1위 사업자의 점유율은 조금씩 낮아지고

경쟁사들의 점유율이 올라가고 있음을 확인할 수 있다.

[그림 3]은 최근 1년 음악 스트리밍 및 다운로드 서비스에 대한 유료 경험에 대한 조사

결과로, 성별에 따른 큰 차이 없이 전체적으로 유료 이용경험이 증가하고 있음을 알 수

있다.

[그림 4]에서 알 수 있듯, 음악 스트리밍 서비스 이용 빈도에서도 일주일에 1회 이상

<자료> 음악산업백서, 2015.

[그림 1] 음악 스트리밍 서비스 이용 방법

* Base: 음원 스트리밍, 다운로드 및 기타 디지털 음원 이용자, 증복 응답, 단위: %** 2018년 ‘유튜브 레드’, ‘몽키3’, ‘벅스뮤직’이 2019년 ‘유튜브 뮤직’, ‘모모플(몽키3)’, ‘벅스’로 각각 보기 수정됨*** 2019년 ‘FLO’ 보기 추가됨<자료> 음악산업백서, 2019.

[그림 2] 음악 스트리밍 및 다운로드 서비스 이용 방법

ICT 신기술

정보통신기획평가원 17

서비스를 이용하는 비율이 매년 증가 추세에 있으며, 2019년에는 약 80%에 이르렀다[1].

음악 스트리밍 서비스 신규 유입대상을 기준으로 생각해보면 레드오션으로 해석될 수 있

지만 이미 충분한 서비스 이용자 규모가 조성되었고 유료 사용자의 증가 추세 측면에서는

블루오션으로 해석될 수도 있다. 이는 국내 음악 스트리밍 서비스뿐만 아니라 해외 서비스

시장에서도 비슷한 지표를 보여주고 있다.

* Base: 음원 스트리밍, 다운로드 및 기타 디지털 음원 이용자, 단위: %<자료> 음악산업백서, 2019.

[그림 3] 최근 1년 음악 스트리밍 및 다운로드 서비스 유료 경험

* Base: 음원 스트리밍 및 기타 디지털 음원 이용자, 단위: %<자료> 음악산업백서, 2019.

[그림 4] 음악 스트리밍 서비스 이용 빈도

주간기술동향 2020. 8. 19.

18 www.iitp.kr

나. 해외 음악 스트리밍 서비스 시장 현황

해외 음악 스트리밍 서비스 시장의 경우 부동의 1위인 미국 시장만을 보아도 글로벌

서비스에 대한 지표를 얻을 수 있다. [그림 5]와 같이 애플의 애플 뮤직(Apple Music)이

4,950만 명으로 시장 1위 사업자였고, 스포티파이(Spotify)는 4,770만 명으로 2위를 기

록했다. 판도라 라디오(Pandora Radio)와 사운드클라우드(Sound Cloud)가 각각 3,680

만 명과 3,420만 명의 가입자로 3위와 4위를 차지했다.[2]

국내 시장과 비교해 볼 때, 하드웨어(스마트폰)를 기반으로 한 애플 뮤직이 상당한 시장

점유율을 차지하고 있다는 특이점을 볼 수 있다. 이는 콘텐츠 기반의 서비스뿐만 아니라

재생기기에 대한 고려도 시장 선점에 중요한 요소로 인식될 수 있음을 암시한다.

또한, 스포티파이는 추천 기반의 음악 스트리밍을 선도적으로 제공하며 성공한 기업으

로 유명하다. 음악 스트리밍 시장의 경쟁이 과열됨에 따라 추천 기반의 음악 스트리밍

서비스는 필수로 변화되어 가고 있다.

2. 추천 기반 음악 스트리밍 서비스 현황

국내의 대표적인 음악 스트리밍 서비스 대부분이 기존 차트 중심의 콘텐츠 제공 모델에

서 변화하여 추천 기반의 콘텐츠(Playlist)를 제공하고 있는 추세이다. [그림 6]은 국내

<자료> 음악산업백서, 2019.

[그림 5] 미국 음악 스트리밍 월 가입자 규모(단위: 백만 명)

ICT 신기술

정보통신기획평가원 19

음악 스트리밍 서비스 애플리케이션의 추천 콘텐츠 제공화면이다. 이는 개인 맞춤형 추천

콘텐츠를 제공함으로써 지속적인 서비스 이용을 유지하도록 한다.

이러한 추천 콘텐츠를 제공하기 위해서는 기본적인 시드(seed)3) 데이터인 장르, 가수,

트랙 등의 데이터를 기반으로 추천 플레이 리스트를 생성하기도 하고 OTP(Occasion/

Time/Place) 요소가 가미된 추천 콘텐츠를 제공하기도 한다. 최근에는 머신러닝(Machine

learning) 기술을 적용하여 사용자 개개인에 최적화된 추천 콘텐츠를 제공하기 위한 노력

이 많이 진행되고 있다.

추천 콘텐츠를 생성하여 제공하기 위해서는 기본적인 음악 스트리밍 서비스 제공 플랫

폼에 더하여 추천 콘텐츠 생성/관리/제공 플랫폼이 더해져야 한다. 다음 장에서 추천 기반

음악 스트리밍 서비스 플랫폼의 구성에 대해서 살펴본다.

3) 추천 콘텐츠를 생성하기 위한 최소한의 정보. 시드 데이터를 시작으로 사용자의 행태 정보를 가미하여 보다 높은 품질의 추천 콘텐츠를 생성할 수 있다.

<자료> 드림어스컴퍼니 자체 제작

[그림 6] 국내 추천 기반 음악 스트리밍 서비스

주간기술동향 2020. 8. 19.

20 www.iitp.kr

III. 추천 기반 음악 스트리밍 서비스 플랫폼의 구성

1. 추천 기반 음악 스트리밍 서비스 플랫폼의 구성요소

[그림 7]과 같이 추천 기반 음악 스트리밍 서비스 플랫폼은 크게 음원 관리 모듈, 메타정

보 관리 모듈, 서비스 관리 모듈, 추천 관리 모듈 4가지로 구성되어 있다.

음원 관리 모듈은 음원에 대한 입수(Ingestion)부터 트랜스코딩(Transcoding)을 진행

하며, 기본적인 메타정보 등록까지 담당한다. 메타정보 관리 모듈은 운영적인 요소로 필요

에 의한 추가적인 메타정보를 생성/관리한다. 서비스 관리 모듈은 서비스 이용권의 구매,

인증, 재생, 정산과 함께 서비스 전반적인 기능을 제공한다. 추천 관리 모듈은 사용자가

제공한 시드(seed) 데이터(장르, 아티스트 등)를 시작으로 Behave(청취이력, 좋아요, 댓

글 등), OTP 등의 부가적인 요소를 더하여 사용자가 좋아할 만한 메타정보를 생성하고

추천 데이터로 제공한다. 4가지 관리 모듈의 역할을 정리해 보면 [표 1]과 같다.

<자료> 드림어스컴퍼니 자체작성

[그림 7] 추천 기반 음악 스트리밍 서비스 플랫폼의 구성요소

ICT 신기술

정보통신기획평가원 21

[표 1] 추천 기반 음악 스트리밍 서비스 플랫폼의 구성요소별 역할

추천 관리 모듈의 경우 서비스 이용자에 최적화된 콘텐츠를 생성하기 위한 여러 가지

알고리즘과 기술 요소들을 활용한다.

2. 추천 시스템 아키텍처

추천 시스템을 기반으로 음악 스트리밍 서비스를 제공하는 플랫폼에 대한 기술 요소를

확인하기 전에 추천 시스템의 아키텍처에 대한 이해가 필요하다. 유튜브의 추천 시스템

아키텍처는 동영상에 대한 추천을 위한 아키텍처이지만, 기본적인 추천 시스템 아키텍처

를 이해하기에 무리가 없다.

[그림 8]은 유튜브 서비스에서 영상에 대한 추천을 위한 시스템 아키텍처로, 추천 시스

템의 기본적인 흐름을 이해할 수 있다.

구성요소 역할

음원 관리 모듈 음원 입수(Ingestion), 트랜스 코딩(Transcoding), 메타정보 등록(Meta data) 등

메타정보 관리 모듈 Album, Genre, Track, Artist, Playlist, Chart 등의 운영요소로서의 메타정보 관리

서비스 관리 모듈 콘텐츠 딜리버리, 인증/인가, 서비스 이용권 구매, 유관기관 정산 등 서비스 전반에 필요한 기능

추천 관리 모듈 시드 데이터 기반 사용자 맞춤 추천 콘텐츠 생성 및 제공<자료> 드림어스컴퍼니 자체작성

<자료> Deep Neural Networks for YouTube Recommendations, 2016. 9.

[그림 8] 유튜브의 추천 시스템의 아키텍처

주간기술동향 2020. 8. 19.

22 www.iitp.kr

기본 흐름은 다음과 같다.[4]

① 콘텐츠를 수집한다.

② 추천될 후보 콘텐츠 리스트를 생성한다.

③ 후보 콘텐츠 리스트에 부가적인 특징 요소들을 반영하여 순위를 정한다.

④ 정해진 순위를 기준으로 상위 후보부터 추천 콘텐츠로 제공한다.

여기서 후보 콘텐츠를 생성하고 부가적인 특징 요소들을 반영하여 순위를 계산하는 과

정에 있어서 다양한 기술요소들이 이용된다. 각 흐름에 대해서 조금 더 자세히 살펴보면

[표 2]와 같이 정리할 수 있다.

[표 2] 유튜브의 추천 시스템 단계별 처리 과정 상세

순위 결정 단계가 추천 콘텐츠 선정의 핵심 단계이고, 주로 알고리즘 기반의 CF

(Collaborative Filtering) 기술과 콘텐츠가 지닌 특성 기반으로 분석하는 CBF(Content

-based Filtering) 기술을 주로 이용한다.

단계 처리 과정

1. 데이터 수집 단계 사용자가 동영상을 업로드하고 동영상에 대한 메타정보를 입력받아서 지속적인 데이터 수집 과정을 진행한다.

2. 후보 도출 단계유튜브 사용자의 행위 이력(시청정보, 좋아요, 플레이리스에 추가 등)을 입력으로 받고 대량의 동영상에서 사용자에게 적합한 서브셋(subset) 동영상을 추출하여 후보를 도출한다. 이 때 도출된 후보는 일반적인 관점에서 사용자에게 적합하다고 판단된 데이터이다.

3. 순위 결정 단계

후보 도출 단계에서 생성된 데이터를 크게 3가지(동영상 자체, 사용자 중심, 다각화)* 단계로 평가하고 순위를 결정한다.- 동영상 자체 단계는 사용자와 무관한 동영상 그 자체에 대한 속성(전체 시청수, 평점, 댓글,

공유 등)을 기반으로 평가한다.- 사용자 중심 단계는 사용자의 기호와 환경(사용자의 시청이력, 시청시간 등)을 기준으로 평가

한다.- 다각화 단계는 앞서 진행한 평가만으로는 유사한 특정 콘텐츠에 치우친 추천 데이터가 생성

될 수 있으므로 연관된 콘텐츠에 대한 제한 또는 제공 채널을 한정하여 다양한 콘텐츠를 제공하도록 한다.

4. 콘텐츠 제공 단계 순위 결정 단계에서 정해진 점수를 기준으로 높은 점수부터 낮은 점수 순으로 사용자에게 콘텐츠를 제공한다.

* 참고 문헌에서는 video quality, user specifcity, diversification으로 표현하고 있다.<자료> J. Davidson, B. Liebald, J. Liu, P. Nandy, T. Van Vleet, “The YouTube video recommendation system”, ACM,

RecSys’10, 2010, pp.293-296.

ICT 신기술

정보통신기획평가원 23

3. 음악 스트리밍 서비스 플랫폼의 추천 시스템 기술요소

추천 기반 음악 스트리밍 서비스 플랫폼의 시스템을 구성하기 위한 기술 유형은 [표

3]과 같이 CF, CBF, Hybrid(CF+CBF) 이렇게 3가지로 분류할 수 있다.

[표 3] 추천 기반 음악 스트리밍 서비스 플랫폼의 시스템 기술 유형

CF 기술은 사용자로부터 기본적인 기호 데이터를 제공받고 음악 스트리밍 서비스 사용

패턴과 상황/시간/장소 등의 부가적인 요소들을 결합하여 연관관계를 파악하고 유사도를

[표 4] 음악 스트리밍 서비스 플랫폼의 추천 시스템 기술 요소

기술 유형 개념

CF(Collaborative Filtering)

사용자가 제공한 seed data(장르, 아티스트 등)와 사용자의 behave data(청취 이력, 좋아요/싫어요, 댓글 등), OTP(Occasion/Time/Place) 등의 데이터를 연결하고 이를 기반으로 유사도를 평가하고 음원을 분류하는 기술

CBF(Content-based Filtering)

콘텐츠 자체의 특징을 추출하고 분석하여 사용자의 기호에 맞는 콘텐츠를 제공할 수 있도록 분류하는 기술

Hybrid(CF + CBF) CF와 CBF를 혼용하여 사용자별 최적화된 콘텐츠를 분류하는 기술

<자료> 드림어스컴퍼니 자체작성

기술 유형 기술 요소 설명

CF(Collaborative

Filtering)

행렬 분해(Matrix Factorization)

행렬을 특정한 구조를 가진 행렬들의 곱으로 표현. 분석 대상(user, track, artist 등) 간의 상관관계를 행렬로 표현하고 곱하여 나온 행렬의 유사도를 기준으로 순위를 결정하는 기술[6]

오토인코더(Autoencoder)

원본 데이터에 대한 특징을 추출(데이터 압축)하고 다시 추출된 특징을 기반으로 원본에 가까운 데이터를 복원하는 기술[10]

디노이징 오토인코더(Denoising Autoencoder)

복원 능력을 더욱 강화시키기 위해 오토인코더(Autoencoder)의 학습 방법을 변경시킨 기법으로 원본에 노이즈(noise)를 추가하여 학습하고 원본데이터를 복원하는 기술[11]

CBF(Content-based

Filtering)

신호처리 기술FFT(Fast Fourier Transform), DCT(Discrete Cosine Transform), STFT (Short-Time Fourier Transform), 멜 스펙트로그램(mel-spectrogram) 등의 신호변환 기술 등[3]

특징 추출(Feature Extraction)

Log-amplitude Mel-spectrogram과 Convolution을 이용한 특징 추출이 주로 이용됨[3]

필터링 메소드(Filtering Method)

의사결정 나무(Decision Tree)[7], DNN(Deep Neural Network)[4], Probabilistic Model[10] 등의 알고리즘을 이용하여 콘텐츠에 대한 분류 실행

<자료> 드림어스컴퍼니 자체작성

주간기술동향 2020. 8. 19.

24 www.iitp.kr

도출하여 분석된 결과를 기반으로 추천해 주는 방식이다[6],[8]. CBF 기술은 콘텐츠 자체

가 지닌 특성을 추출하고 분석하여 비슷한 특성을 가진 콘텐츠에 대해서 연관관계를 설정

하고 추천해 주는 방식이다. 음악 스트리밍 서비스의 경우 음파에 대한 분석을 통해 특성

추출이 가능하다[7],[8]. 과거에는 비교적 손쉽게 구축 가능한 기술인 CF 기술을 기반으로

콘텐츠 분류와 함께 추천 콘텐츠를 제공해 왔지만, 최근에는 CF 기술과 더불어 CBF 기술

을 병행하여 사용하는 하이브리드 방식을 주로 이용한다[9].

CF 기술과 CBF 기술에서 적용되는 기술 요소에 대해서 좀 더 자세히 살펴보면 [표

4]와 같다. 특히, CBF 기술의 특징 추출 과정에서는 음파를 FFT, STFT, spectrum[3]

등의 기술을 이용하여 Mel-spectrogram으로 이미지화하고, CNN(Convolutional Neural

Network)을 이용한 학습을 통해 유사도를 판별하고 사용자가 좋아할 만한 콘텐츠를 필터

링하여 제공한다[6].

IV. 시사점과 향후 전망

딥러닝 기술의 발전에 힘입어 추천 시스템 기술도 상당한 발전을 꾀하고 있다. 이러한

추천 기반의 콘텐츠 제공으로 성공한 대표적 서비스인 스포티파이(Spotify)가 한국 지사

를 설립하면서 국내 음악 스트리밍 시장을 위협하고 있다. 뿐만 아니라 세계 1위의 영상

플랫폼을 갖춘 유튜브 서비스도 음악 스트리밍 서비스 시장에 대한 점유율을 높이고자

적극적인 마케팅 활동을 하고 있다.

과거에 글로벌 음악 스트리밍 서비스 기업이 국내 음원 시장에 참여했다가 실패한 사례가 있다. 당시의 실패의 원인은 한국의 소비자들의 K-POP 중심 소비문화에 맞춘 음원 소싱이 이루어지지 않았기 때문으로 해석된다.

하지만, 지금은 글로벌 음악 스트리밍 서비스 기업들도 K-POP에 대한 중요성을 충분히 인식하고 그에 대한 준비와 함께 개인화된 추천 기반의 강력한 기술을 이용하여 국내 시장에 진출하려고 시도하고 있다.

향후, 국내 음악 스트리밍 서비스 기업들은 개인화된 추천 서비스를 기본으로 제공하고

보다 고품질의 콘텐츠를 제공해야만 시장에서 살아남을 수 있을 것으로 전망된다. 그러기

위해서 필요한 추천 요소를 [그림 9]와 같이 짐작해 볼 수 있다.

ICT 신기술

정보통신기획평가원 25

크게 6가지 영역(행위(behave), 감정(feeling), 사회(social), 디바이스(device), 바이

오 정보(bio), 프라이버시(privacy))로 나누어 각 영역별로 활용할 수 있는 데이터를 충분

히 활용하고 적용했을 때 완전하게 개인화된 콘텐츠를 추천해 줄 수 있을 것으로 보인다.

앞서 제시한 데이터 요소를 활용하기 위해서는 정책적인 문제로 개인정보의 활용과 사

생활보호라는 양자 간의 trade-off가 있을 것으로 전망된다.

결국, 사용자의 선택에 따라 추천의 품질이 결정될 것이므로 기술적으로 충분한 준비를

해야 한다.

[ 참고문헌 ]

[1] 한국콘텐츠진흥원, “2015 음악 산업백서”, 문화체육관광부, 2016. p.176.[2] 한국콘텐츠진흥원, “2019 음악 산업백서”, 문화체육관광부, 2019. p.101, p.107, p.112, p.189.[3] 황승원, “딥러닝 기술을 활용한 소리 인식”, 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.

<자료> 드림어스컴퍼니 자체작성

[그림 9] 향후 요구될 것으로 보이는 추천 요소

주간기술동향 2020. 8. 19.

26 www.iitp.kr

[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.