채용 공고가 실토한 구글 디스커버 알고리즘 — 4개 단어와 4,200만 장의 카드

구글은 디스커버가 어떻게 작동하는지 좀처럼 설명하지 않는다. 그런데 최근 마운틴뷰의 '디스커버 랭킹 스태프 소프트웨어 엔지니어' 채용 공고에 눈에 띄는 한 줄이 실렸다. 지원 최소 요건에 "추천 시스템 모델(retrieval, prediction, ranking, embedding)을 프로덕션에 구축·배포한 5년 경험"이라고 적힌 것이다. 검색(후보 선별)·예측·랭킹·임베딩. 디스커버 추천 시스템의 네 가지 구성 요소가 구글의 문서에 명시된 셈이다.

흥미로운 건 다음이다. 프랑스의 리서치 그룹 1492.vision은 2년간 실제 디스커버 피드를 관측해 왔다. 누적 4,200만 장의 카드다. 채용 공고의 네 단어 중 세 개가 이들이 바깥에서 이미 추적해 온 계층과 정확히 겹친다.

관측 데이터가 보여주는 세 개의 층

후보 선별: 약 20개의 파이프라인

랭킹 이전에, 어떤 콘텐츠가 내 피드에 오를 자격이 있는지부터 정해진다. 연구팀은 디스커버에 콘텐츠를 공급하는 약 20개의 파이프라인을 매핑했다. 편집형 콘텐츠 중심의 후보 샘플링, 유튜브·X 콘텐츠 위주의 사후 평가, 트렌드 임베딩 채널 등이다. 2025년 9월에는 LLM 기반으로 추정되는 생성형 후보 선별 채널이 프랑스 피드의 약 0.03%에서 관측됐다. 극소수 트래픽으로 조용히 테스트 중이라는 해석과 맞아떨어진다.

예측: 주목과 몰입은 따로 논다

관측된 모든 카드에는 0과 1 사이의 예측 점수 약 9종이 붙어 있었고, 이는 두 개의 거의 독립적인 축으로 수렴했다. 사용자가 카드에 멈출지(주목), 클릭해 깊이 읽을지(몰입)다. 둘의 상관관계는 0에 가깝다. 시선은 끌지만 붙잡지 못하는 낚시성 제목의 구조를 한 문장으로 요약해 주는 결과다.

가장 큰 변수는 개인화였다. 주제 잠재력이 거의 같은 두 스포츠 매체를 비교했더니, 모델이 학습한 독자 친밀도가 높은 쪽이 몰입 예측 점수 약 2배, 최종 증폭은 약 8배였다. 더 눈길을 끄는 대목은, 증폭이 큰 매체가 오히려 팔로우 수는 적었다는 점이다. 팔로우 버튼은 여러 신호 중 하나일 뿐, 모델이 독자와 매체 사이에서 학습한 친밀도가 주제와 팔로우를 넘어서는 배급 변수라는 뜻이다.

임베딩: 사용자마다 여러 벡터 가족

관심사(단기 변형 포함), 트렌드, 실시간, 쇼핑 등 이름이 붙은 여러 임베딩 계열이 사용자마다 유지되는 것으로 관측됐다. 전형적인 투 타워(two-tower) 구조, 즉 사용자 벡터와 콘텐츠 벡터의 근접도로 추천이 결정되는 시스템의 특징이다.

우리 관점: 팔로워보다 '다시 읽게 만드는 관계'가 배급을 정한다

퍼블리셔가 가져갈 결론은 세 가지다. 첫째, 독자 친밀도는 직접적인 배급 지렛대다. 같은 주제라도 우리 독자가 우리 글을 반복해서 깊게 읽어 온 이력이 8배의 증폭 차이를 만든다. 둘째, 주목과 몰입은 별개 진단 지표다. 클릭률을 올리는 개선과 완독을 올리는 개선은 다른 작업이며, 하나를 고쳐도 다른 하나는 안 움직인다. 셋째, 몰입은 절반의 이야기다. 공고 자체가 '더 몰입되고, 유용한'이라고 썼다. 유용성 신호는 아직 바깥에서 관측되지 않은 영역이다.

플랫폼의 공식 문서 밖에서 시스템을 역추적하는 이런 접근은 낯설지 않다. X 알고리즘 코드를 직접 읽었다 — 가중치보다 필터 17개가 먼저다에서도 결론은 비슷했다. 점수 계산보다 자격 요건이 먼저다. 그리고 플랫폼이 스스로 밝힌 문서는 드물지만 강력한 단서가 된다. 인스타그램이 캡션 작성법을 공개했다 — 검색 시스템이 읽는 텍스트처럼, 공식 발표와 관측 데이터를 겹쳐 읽을 때 알고리즘 대응은 추측이 아니라 전략이 된다.