음악 스트리밍 사용자의 스킵 행동과 곡 구조의 숨은 연관성

본 논문은 스트리밍 서비스 이용자의 ‘스킵’ 행동을 시간축상에서 정량적으로 분석하고, 그 패턴이 음악 구조와 어떻게 연관되는지를 탐구한다. 연구는 크게 네 부분으로 구성된다. 1. **데이터 수집 및 전처리** - 2018년 4~5월에 발매된 인기곡 100곡을 대상으로, 2018년 8월부터 3개월간 전 세계 Spotify 이용자의 스트리밍 로그를 수집했다. - 총 30억 건 이상의 스킵 이벤트와 3억 건 이상의 전체 재생 이벤트를 확보했으며, 각 곡의 첫 2분 구간을 정규화하고 초기 5초는 청취 초기 적응 현상으로 제외했다. - 스킵 확률을 시간에 따라 히스토그램 형태로 나타낸 ‘Skip Profile’를 구축하였다. 2. **스킵 프로파일의 고유성 및 일관성 검증** - 동일 곡에 대한 서로 다른 날짜의 Skip Profile 간 유클리드 거리를 계산한 결과, 같은 곡 내 거리와 다른 곡 간 거리가 명확히 구분됨을 확인했다. - 정보 검색 관점에서 Mean Average Precision(MAP)를 사용해 곡 식별 실험을 수행했으며, 무작위 기준 MAP 0.014에 비해 0.886이라는 높은 점수를 얻었다. 이는 스킵 패턴이 곡마다 고유한 ‘청취 서명’임을 의미한다. - 시간적 변동성을 살펴본 결과, 스트리밍 양이 급격히 변하는 경우를 제외하고는 첫 2주 이후 Skip Profile가 크게 변하지 않았다. 또한, 미국·영국·멕시코·독일 등 주요 국가별로도 프로파일이 거의 동일했으며, MAP 0.939를 기록했다. 3. **스킵 행동과 음악 구조의 상관관계** - 곡의 구조적 경계(인트로·벌스·코러스·브릿지 등)와 Skip Profile를 겹쳐 시각화한 결과, 섹션 전환 직후 스킵 확률이 급증하는 패턴이 반복적으로 나타났다. - 통계적으로는 전환 구간 전후 2초 내 스킵 비율 차이가 95% 신뢰구간에서 유의미했으며, 이는 청취자가 새로운 음악적 아이디어를 인지하고 즉시 반응한다는 가설을 뒷받침한다. 4. **스킵 데이터를 활용한 구조 예측 모델** - 기존 구조 세분화 연구는 라벨이 제한된 소규모 데이터에 의존했으며, 주로 멜 스펙트럼, 하모니, 리듬 등 오디오 특징을 사용했다. - 본 연구는 스킵 이벤트를 ‘반자동 라벨’로 활용해 대규모 학습 데이터를 자동 생성하였다. 이를 바탕으로 CNN‑RNN 하이브리드 모델을 학습시켰으며, SALAMI 데이터셋 기반 베이스라인과 비교했을 때 구조 경계 검출 정확도가 평균 12%p 상승했다. 특히 전자음악(드롭 구간)에서 큰 개선을 보였다. - 모델 평가에서는 Precision, Recall, F1-score 모두 기존 방법을 능가했으며, 라벨링 비용을 크게 절감할 수 있음을 입증했다. **결론 및 시사점** - 스킵 프로파일은 곡 고유의 청취 서명이며, 시간·지역에 크게 의존하지 않는다. - 스킵 행동은 음악적 구조 전환과 강한 연관성을 가지며, 이를 통해 사용자의 인지적 반응을 정량화할 수 있다. - 대규모 청취 로그를 활용한 반지도학습은 기존의 소규모 라벨 데이터 기반 방법보다 뛰어난 성능을 보이며, 음악 정보 검색, 개인화 추천, 작곡 지원 도구 등에 적용 가능하다. 본 연구는 음악 청취 행동을 데이터 과학적으로 해석함으로써, 음악학·인지과학·AI 기술이 융합된 새로운 연구 패러다임을 제시한다.