들어가며: '친구 버블'이란?
Facebook Reels에서 친구가 좋아요를 누르거나 리액션을 남긴 콘텐츠 위에 동그란 프로필 아이콘(버블)이 뜨는 걸 본 적 있나요? 이 기능이 바로 Friend Bubbles입니다. 단순한 UI 요소처럼 보이지만, 그背后에는 사용자 간 관계 강도를 추정하고, 친구가 반응한 콘텐츠를 개인화된 순서로 보여주기 위한 정교한 머신러닝 시스템이 자리 잡고 있습니다.
이번 글에서는 메타 엔지니어링 블로그에 공개된 내용을 바탕으로, 추천 시스템을 설계하고 운영하는 개발자라면 꼭 알아야 할 핵심 아키텍처를 실무 관점에서 풀어보겠습니다. (근거자료: Meta Engineering Blog)
시스템 구성: 두 가지 핵심 축
친구 버블 추천 시스템은 크게 두 가지 문제를 해결합니다.
- 누구의 상호작용을 보여줄 것인가? → Viewer-Friend Closeness Model
- 어떤 비디오를 보여줄 것인가? → Video Relevance Ranking
이 두 축이 결합되어, 단순히 '인기 있는' 콘텐츠가 아니라 '내 친구가 좋아해서 나도 관심 있을 만한' 콘텐츠를 찾아냅니다.
1. Viewer-Friend Closeness: 친밀도 측정의 이중 구조
메타는 사용자 간 친밀도를 측정하기 위해 두 개의 보완적인 모델을 운영합니다.
- 설문 기반 모델 (Survey-based): 무작위로 선정된 사용자에게 "이 친구와 실제로 가깝다고 느끼나요?"라는 이진 분류 질문을 던집니다. 여기에 상호 친구 수, 메시지 빈도, 프로필 상호작용 패턴 등 다양한 소셜 그래프 신호를 피처로 사용합니다. 이 모델은 주기적으로 재학습되며, 수조 개의 연결 관계에 대해 추론을 수행합니다.
- 맥락 기반 모델 (Context-specific): 실제 버블이 노출되었을 때 발생하는 클릭, 좋아요, 댓글, 공유 등의 행동 데이터를 학습합니다. "이 친구가 추천한 콘텐츠를 내가 실제로 소비하는가?"라는 실질적인 행동 패턴을 반영합니다.
핵심 인사이트: 메타는 '연결의 양'보다 '연결의 질'을 강조합니다. 친구가 많다고 해서 버블을 많이 보여주는 것이 오히려 사용자 경험을 해칠 수 있다는 점을 발견했습니다. 따라서 친밀도 임계값을 보수적으로 설정하여, 진짜 의미 있는 관계에서 발생한 상호작용만을 필터링합니다.
2. Video Relevance: 랭킹 시스템이 사회적 신호를 학습하는 방법
초기에는 친구가 상호작용한 비디오가 랭킹에서 높은 점수를 받지 못하는 문제가 있었습니다. 이유는 단순했습니다. 모델이 '이 비디오가 왜 이 사용자에게 가치 있는지'를 이해하지 못했기 때문입니다.
메타는 이 문제를 해결하기 위해 두 가지 전략을 사용했습니다.
- Funnel 상단 확장: 검색(Retrieval) 단계에서 친구가 상호작용한 콘텐츠를 명시적으로 가져와 후보군을 확보합니다.
- 랭킹 모델에 사회적 신호 주입: 초기 단계(Early-stage)와 후기 단계(Late-stage)의 멀티태스크 멀티라벨(MTML) 랭킹 모델에 사용자-사용자 친밀도와 버블 상호작용 신호를 새로운 태스크로 추가했습니다. 이를 통해 모델은 "이 비디오는 일반적인 인기 콘텐츠와는 다른, 사회적 관계에 기반한 가치를 가진다"는 것을 학습하게 됩니다.
이 모든 과정은 지속적인 피드백 루프로 연결되어, 모델이 시간이 지날수록 더 정확하게 친구-콘텐츠 조합의 가치를 예측하도록 개선됩니다.
클라이언트 성능: Reels 규모에서의 도전
Reels는 성능에 매우 민감한 서비스입니다. 스크롤이 버벅이거나 로딩이 지연되면 사용자는 바로 이탈합니다. 메타는 친구 버블을 도입하면서 세 가지 비타협적 조건을 내걸었습니다.
- 부드러운 스크롤링 유지
- 로드 지연 시간(Latency) 회귀 없음
- 메타데이터 페치 및 처리에 낮은 CPU 오버헤드
해결책은 기존 프리페치(Prefetch) 파이프라인을 재사용하는 것이었습니다. Facebook의 비디오 전송 시스템은 이미 비디오가 뷰포트에 도달하기 전에 메타데이터, 썸네일, 버퍼링된 콘텐츠를 미리 로드합니다. 친구 버블 메타데이터를 이 동일한 프리페치 윈도우에 포함시켜, 캐시 재사용, 중복 CPU 작업 방지, 최적화된 네트워크 요청 경로 활용이라는 세 가지 이점을 얻었습니다.
또한 애니메이션은 조건부로만 활성화됩니다. 사용자가 스크롤 중이면 애니메이션을 비활성화하고, 저사양 기기에서는 아예 애니메이션을 꺼버립니다. 이러한 세밀한 최적화가 대규모 서비스에서 기능을 안정적으로 출시할 수 있는 비결입니다.
국내 개발 생태계에서의 적용 맥락
한국의 대표적인 소셜 플랫폼(예: 카카오톡 채널, 네이버 밴드, 혹은 자체 서비스)에서도 유사한 '친구/팔로워 기반 추천'을 고려할 때 다음 사항을 주목해야 합니다.
- 데이터 희소성 문제: 글로벌 서비스와 달리 초기 사용자 기반이 작은 서비스에서는 '친밀도' 모델 학습에 필요한 상호작용 데이터가 부족할 수 있습니다. 이 경우 설문 기반 모델이나 규칙 기반 휴리스틱(예: 같은 그룹/채널 멤버십)으로 초기 모델을 대체하는 전략이 필요합니다.
- 프라이버시와 규제: 국내에서는 개인정보보호법(이용자 동의, 데이터 최소 수집 원칙)을 준수해야 합니다. '친구의 상호작용'을 노출하는 기능은 민감할 수 있으므로, 사용자에게 명확한 동의를 받고 기능을 끌 수 있는 옵션을 제공해야 합니다.
이 기술의 한계 또는 주의사항
- 필터 버블(Fitter Bubble) 강화: 친구가 좋아하는 콘텐츠만 계속 노출되면, 사용자의 관심사가 편향될 위험이 있습니다. 메타는 이를 인지하고 '표현적 리액션(Love, HaHa)'이 단순 좋아요보다 더 강한 신호를 제공한다는 점을 발견했지만, 완전한 해결책은 아닙니다.
- 콜드 스타트 문제: 친구가 적거나 새로 가입한 사용자에게는 이 시스템이 효과적이지 않습니다. 메타는 이를 개선하기 위해 추가 표면(Feed, Stories 등)으로 확장하는 방안을 검토 중입니다.
- 계산 비용: 수조 개의 사용자-사용자 연결에 대해 주기적으로 추론을 수행하는 것은 막대한 컴퓨팅 리소스를 필요로 합니다. 모든 팀이 이 규모의 인프라를 따라하기는 어렵습니다.
결론 및 다음 단계
Facebook Reels의 친구 버블은 단순한 기능이 아니라, 머신러닝을 통해 인간의 사회적 연결을 강화하는 구체적인 사례입니다. 추천 시스템 개발자라면 이 아키텍처에서 '사회적 신호를 랭킹 모델에 주입하는 방법'과 '성능 최적화를 위한 프리페치 전략'이라는 두 가지 핵심 교훈을 얻을 수 있습니다.
다음 단계로 관심 있는 분들은 아래 주제를 공부해보세요.
- 멀티태스크 멀티라벨(MTML) 랭킹 모델: Google의 YouTube 추천 시스템 논문과 함께 공부하면 좋습니다.
- 온라인 학습 및 피드백 루프: 실시간으로 사용자 반응을 모델에 반영하는 MLOps 파이프라인 설계.
- 클라이언트 사이드 성능 최적화: Intersection Observer API, 프리페치 전략, 조건부 애니메이션 기법.
함께 보면 좋은 글:
- Holotron-12B H Company의 새로운 컴퓨터 사용 AI 모델, NVIDIA Nemotron 기반으로 추론 효율 2배 향상
- CodePen slideVars로 CSS 변수 실시간 조절하는 인터랙티브 데모 만들기
