Facebook Reels의 '친구 버블' 추천 시스템 아키텍처 및 머신러닝 모델 분석

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

Facebook Reels는 친구가 좋아하거나 반응한 영상을 강조하는 '친구 버블(Friend Bubbles)' 기능을 통해 소셜 발견과 참여를 증진한다. 이 시스템은 설문 조사와 플랫폼 내 상호작용 데이터를 활용한 두 가지 친밀도 모델을 통해 누구의 활동을 보여줄지 결정한다. 추출된 후보 영상은 다중 작업 학습(MTML) 모델을 통해 랭킹화되며, 이때 관계의 강도와 영상 참여 가능성을 동시에 최적화한다. 결과적으로 이 아키텍처는 단순한 콘텐츠 추천을 넘어 사용자 간의 대화와 공유를 유도하는 소셜 피드백 루프를 형성한다.

배경

추천 시스템 기본 개념, 머신러닝 랭킹 모델, 다중 작업 학습(MTML)

대상 독자

추천 시스템 엔지니어, 소셜 플랫폼 프로덕트 매니저, ML 연구원

의미 / 영향

소셜 미디어 추천이 개인의 취향을 넘어 관계 중심으로 진화하고 있음을 보여준다. 이는 단순 소비 위주의 플랫폼에서 소셜 상호작용이 활발한 커뮤니티형 플랫폼으로의 전환을 가속화할 것으로 보인다.

섹션별 상세

사용자 간 친밀도 모델(User-User Closeness Models)은 설문 기반 모델과 상호작용 기반 모델을 병행 운영한다. 설문 기반 모델은 실제 오프라인 친밀도를 예측하기 위해 수조 개의 연결을 매주 추론하며, 상호작용 모델은 좋아요, 댓글 등 실시간 데이터를 통해 플랫폼 내 맥락적 친밀도를 파악한다.

일반적인 추천 모델은 소셜 맥락이 부족하여 친구 관련 콘텐츠를 과소평가하는 경향이 있으나, 이를 해결하기 위해 Meta는 다중 작업 학습(MTML) 모델에 친구 버블 상호작용 신호를 피처로 통합했다. 관계 강도와 영상 참여도를 동시에 학습하는 새로운 태스크를 추가하여 고품질 친구 콘텐츠가 랭킹 상단에 노출되도록 조정했다.

친구 버블 시스템의 전체적인 데이터 흐름과 아키텍처를 보여주는 플로우차트이다. — Diagram사용자 요청부터 친밀도 모델을 통한 후보 추출(Retrieval), MTML 모델을 통한 랭킹, 그리고 최종 비디오 추천 및 피드백 루프까지의 과정을 상세히 설명한다. 사용자 상호작용 데이터가 모델 학습과 랭킹에 어떻게 다시 반영되는지 기술적 구조를 명확히 전달한다.

Reels는 성능에 민감한 환경이므로 친구 버블 메타데이터를 영상의 프리페치(Prefetch) 단계에 통합했다. 이를 통해 스크롤 지연이나 로딩 시간 저하 없이 UI를 렌더링하며, 저사양 기기에서는 애니메이션을 비활성화하여 CPU 부하를 최소화하고 매끄러운 사용자 경험을 유지한다.

랭킹 공식에 P(video engagement | bubble impression)라는 조건부 확률 항을 도입하여 버블이 노출되었을 때의 참여 가능성을 예측한다. 이는 단순 시청 시간뿐만 아니라 소셜 상호작용과 콘텐츠 품질 사이의 균형을 맞추는 가중치 조절을 통해 최적화되며, 실제 사용자 설문에서 버블이 포함된 영상이 더 높은 관심 점수를 받았다.

콘텐츠, 소셜 그래프, 제품 간의 상호작용을 나타내는 순환 다이어그램이다. — Diagram강력한 콘텐츠 생태계가 사용자 관심사와 일치하고, 소셜 그래프가 시청 경험에 의미를 더하며, 제품 도구가 연결을 원활하게 만드는 피드백 루프를 시각화한다. 각 상호작용이 추천의 품질과 관련성을 개선하는 신호를 추가함을 보여준다.

실무 Takeaway

단순 관심사 기반 추천에 소셜 그래프 신호를 결합하면 사용자 체류 시간과 세션 품질이 유의미하게 향상된다.
특정 맥락(친구 버블)에서만 유효한 가치를 포착하기 위해 기존 랭킹 모델에 전용 태스크와 피처를 추가하여 모델의 편향을 제거해야 한다.
새로운 메타데이터 도입 시 기존의 데이터 프리페치 경로를 재사용함으로써 사용자 경험(UX) 저하 없이 복잡한 기능을 구현할 수 있다.

언급된 리소스

문서Meta Newsroom