멜론의 "오늘의 추천"은 어떻게 선정되나요?

1. Q: ‘오늘의 추천’이란 무엇인가요?
A: 멜론이 매일 아침 사용자별로 새롭게 구성해 제공하는 맞춤형 플레이리스트입니다. 최신 차트·신곡·편집팀 큐레이션과 개인 청취 이력을 종합해, 하루 동안 듣기 좋은 15~20곡을 추천합니다.

2. Q: 곡 선정은 어떤 방식으로 이루어지나요?
A: 기본적으로 ‘알고리즘 추천’과 ‘편집팀 큐레이션’을 병행합니다.
1) 알고리즘 추천: 사용자의 재생·검색 이력, 좋아요·찜 기록, 선호 장르·아티스트, 청취 시간대·요일별 패턴 등을 머신러닝(협업 필터링·콘텐츠 기반 분석·딥러닝)으로 분석해 개인화된 후보군을 추립니다.
2) 편집팀 큐레이션: 당일·주간 테마(출시 신곡, 장르별 몰아듣기, 계절·기분별 플레이리스트 등)에 맞춰 전문 큐레이터가 엄선한 곡을 추가로 배치합니다.

3. Q: 추천 비중은 어떻게 되나요?
A: 일반적으로 알고리즘 60~70%, 편집팀 30~40% 비중으로 구성됩니다. 단, 특정 기념일·이벤트·테마 주간에는 편집팀 큐레이션 비중이 더 높아질 수 있습니다.

4. Q: 데이터 업데이트 주기는 어떻게 되나요?
A: ‘오늘의 추천’은 매일 04:00경 전곡이 자동 갱신됩니다. 실시간 인기 차트·신규 발매 곡 데이터는 1시간 단위로 반영되며, 낮·저녁·밤 시간대별 미니 업데이트(06:00, 12:00, 18:00)도 실시합니다.

5. Q: 추천 리스트 곡 수는 정해져 있나요?
A: 기본 구성은 15곡이지만, 메인 곡 12곡+숨은 트랙(hidden track) 3곡 등 총 15~20곡 범위 내에서 매일 변동될 수 있습니다.

6. Q: 무료 이용자와 유료 이용자 간 차이가 있나요? A: 두 그룹 모두 동일한 ‘오늘의 추천’ 리스트를 제공합니다. 다만 유료 이용자는 전 곡 무제한 재생 및 고음질(FLAC·320kbps), 오프라인 저장 기능이 가능하고, 무료 이용자는 일부 곡 샘플링 재생 혹은 광고가 동반될 수 있습니다.

7. Q: 내 취향이 잘 반영되지 않는 것 같은데, 어떻게 개선할 수 있나요?
A:
1) 추천 곡 우측 ‘좋아요(♥)’·‘싫어요(👎)’ 버튼을 적극 활용하세요.
2) 플레이리스트 내 불필요한 곡은 ‘곡 제거’해 태그하고, 선호 아티스트·장르는 ‘찜’해두면 알고리즘 학습이 빨라집니다.
3) 검색·재생 기록을 다양하게 쌓으면, 더 폭넓은 추천이 가능합니다.

8. Q: 지역·연령별로 추천이 다른가요?
A: 네. 거주 지역의 인기 차트, 연령대별 선호 장르·아티스트 가중치가 알고리즘에 반영됩니다. 예를 들어 10대·20대가 많이 듣는 최근 힙합·K-POP 신곡은 해당 연령대 사용자에게 더 자주 노출됩니다.

9. Q: 편집팀 큐레이션 주제는 어떻게 정해지나요?
A: 분기별·월간·주간 단위로 트렌드 리포트, SNS·차트 데이터, 외부 뮤직 페스티벌·이벤트 일정을 분석해 주제를 기획합니다. ‘봄맞이 발라드’, ‘무더위 타파 댄스곡’ 등 시즌별 테마가 대표적입니다.

10. Q: 피드백이나 개선 요청은 어떻게 하나요?
A:
1) 멜론 앱 내 ‘고객센터 > 피드백’ 메뉴 또는 공식 웹사이트 문의 폼을 통해 건의 가능합니다.
2) SNS 멜론 공식 계정(@melon_staff)에 DM 또는 해시태그 오늘의추천피드백 으로 의견을 보내시면, 내부 큐레이션 회의와 알고리즘 개선에 참고됩니다.

멜론의 “오늘의 추천”은 각 이용자의 음악 취향과 청취 이력을 기반으로, 머신러닝·빅데이터 분석 기법을 결합해 매일 새롭게 큐레이션하는 개인화 추천 서비스입니다.

주요 선정 과정을 단계별로 살펴보면 다음과 같습니다.

1. 이용자 프로파일링 – 과거 청취 기록(재생 횟수, 청취 완료율, 스킵 비율 등) – 플레이리스트 생성·공유, 좋아요·담기 등의 명시적 피드백 – 검색 이력, 아티스트 팔로우 및 장르 선호 정보 – 청취 시간대, 위치(지역별 인기 차이) 등 맥락(Context) 정보 이 모든 데이터를 종합해 각 이용자마다 고유한 ‘음악 취향 프로필’을 만듭니다.



2. 트랙과 아티스트 특성 분석 – 장르, BPM(템포), 키(Key) 등 오디오 신호를 기반으로 한 콘텐츠 메타정보 – 가사 주제·분위기, 보컬·악기 구성 같은 세부 특징 – 해당 곡의 전반적인 인기(실시간 차트 순위, 소셜 미디어 언급량 등) – 새로 발매된 음원과 기존 음원 간의 상대적 신선도 지표 곡마다 이런 메타데이터를 정교하게 추출·벡터화(vectorization)합니다.



3. 협업 필터링(Collaborative Filtering) 여러 이용자가 비슷한 곡을 함께 듣거나 비슷한 평가(좋아요·담기)를 남긴 패턴을 분석합니다.

– 사용자-곡 상호작용 행렬을 활용해 잠재요인(latent factor)을 추출 – 비슷한 취향 군집(클러스터)을 찾고, 그 군집 내에서 많이 소비되는 곡을 추천

4. 콘텐츠 기반 필터링(Content-based Filtering) 이용자의 프로파일과 곡 특성을 직접 비교해 유사도가 높은 곡을 고릅니다.

– 예를 들어, 평소 보컬 중심 발라드를 즐겨 들었다면 비슷한 가창 스타일·분위기의 신곡을 우선 제안

5. 머신러닝·딥러닝 모델 적용 협업 필터링과 콘텐츠 기반 추천에서 나온 후보 리스트에 대해 – Gradient Boosting, 신경망(Neural Networks) 등을 이용해 ‘추천 점수’를 매기고 – 이용자의 실시간 반응(예: 플레이 후 이탈·계속 듣기) 데이터를 재투입해 모델을 순환 학습 이를 통해 개인별 맞춤 추천의 정교함을 지속적으로 높입니다.



6. 실시간 트렌드 및 편집자 검수 알고리즘이 산출한 추천 곡 중에서도 – 해당 날짜·요일·계절·이슈(예: 발렌타인데이) 등 맥락적 요소에 어울리는 트랙 – 편집자가 특정 테마에 맞춰 추가로 큐레이션한 곡을 일부 반영 이러한 과정을 거쳐 ‘오늘의 추천’ 최종 리스트를 완성합니다.



7. A/B 테스트와 피드백 루프 – 이용자 그룹별로 약간씩 다른 추천 알고리즘 버전을 적용해 반응(재생률·체류 시간 등)을 측정 – 성공률이 높은 모델 구성을 표준화하고, 그렇지 않은 부분은 즉각 개선 – 모든 피드백은 다시 기계학습 모델의 학습 데이터로 활용되어 다음 추천에 반영 결과적으로 “오늘의 추천”은 단순 차트 순위나 편집자의 주관적 판단에 머무르지 않고, 이용자의 과거·현재 행동 데이터와 곡 자체의 메타정보, 그리고 실시간 트렌드까지 다차원적으로 분석·조합해 제공하는 초개인화 서비스라 할 수 있습니다.

이러한 다단계·다기법 접근 덕분에 매일매일 깊이 있고 신선한 음악을 발견할 수 있도록 설계되어 있습니다.