면역 네트워크 기반 영화 추천 시스템

본 논문은 인공 면역 시스템(AIS)을 이용해 협업 필터링(CF) 기반 영화 추천 문제를 해결하고자 한다. 면역 시스템의 두 핵심 원리인 항원‑항체 매칭과 idiotypic 항체‑항체 상호작용을 알고리즘에 도입함으로써, 기존 CF가 주로 추구하는 단일 최적 이웃 대신 ‘다양하고 충분히 좋은’ 이웃 집합을 자동으로 구성한다. 먼저, 사용자 평점 벡터를 항체(pool)로, 예측 대상 사용자를 항원으로 정의한다. 항체 간 매칭은 피어슨 상관계수의 절댓값을 사용하며, 항원과의 매칭 점수는 항체 농도 상승의 자극(stimulation) 요인으로 작용한다. 동시에, 항체들 간의 상관관계는 idiotypic 억제(suppression) 효과를 발생시켜 과도한 집중을 방지하고 다양성을 촉진한다. 농도 변화는 Farmer 등(1991)이 제시한 미분 방정식에 기반해 업데이트되며, 핵심 파라미터는 자극 비율(k₁), 억제 비율(k₂), 사멸 비율(k₃)이다. 실험은 공개된 EachMovie 데이터셋(2,916명 사용자, 1,628편 영화, 총 2.8 M 평점)을 사용하였다. SWAMI 프레임워크 위에 Java 기반 AIS를 구현했으며, 초기 항체 수를 100개, 최대 10회 반복 후 농도 변화가 없으면 수렴으로 판단한다. 수렴 후에는 각 항체의 농도를 가중치로 삼아, 이웃들의 평점을 가중 평균해 예측값을 산출한다. 비교 모델은 전통적인 Simple Pearson(SP) 방식으로, k‑Nearest‑Neighbour를 피어슨 상관계수 절대값 기준으로 선택한다. 실험 결과, 자극 비율을 0.4~0.6 사이로 설정하고 억제 비율을 0.2~0.4 정도로 조정하면, AIS는 SP보다 평균 절대 오차(MAE)가 약 5% 감소하고, 추천 리스트의 Kendall’s τ 상관계수가 0.07 정도 상승한다. 또한, 이웃 집합의 평균 크기는 비슷하지만, 항체 농도 분포가 보다 고르게 퍼져 있어 다양한 사용자군이 포함된다. 이는 idiotypic 억제 효과가 ‘유사한 항체’를 억제하고, 서로 다른 특성을 가진 항체가 살아남게 함으로써 달성된다. 추가 실험에서는 자극 비율만을 변동시킨 경우와 억제 비율을 0으로 두어 순수 자극만 적용한 경우를 비교하였다. 억제 효과를 배제하면 AIS는 SP와 거의 동일한 성능을 보였으며, 억제 효과를 도입했을 때만 의미 있는 개선이 관찰되었다. 또한, 초기 항체가 충분히 성장하도록 농도 초기화와 제한된 반복 과정을 도입함으로써, 초기 편향을 최소화하고 안정적인 수렴을 달성했다. 논문의 주요 기여는 다음과 같다. 첫째, 면역학의 idiotypic 네트워크 개념을 CF에 적용해 이웃 다양성을 자연스럽게 확보하였다. 둘째, 동적인 농도 조절 메커니즘을 통해 정적인 유사도 순위가 아닌, 시간에 따라 진화하는 이웃 집합을 구현하였다. 셋째, 실험을 통해 자극·억제 파라미터가 추천 정확도와 다양성에 미치는 영향을 정량적으로 분석하였다. 한계점으로는 실험이 비교적 작은 샘플(최대 15,000명 리뷰어)과 단일 CPU 환경에서 수행되었으며, 대규모 실시간 서비스에 적용하기 위한 연산 효율성 개선이 필요하다. 또한, 파라미터 튜닝이 현재는 경험적이며, 자동화된 메타학습 기법을 도입하면 실용성이 더욱 높아질 것으로 기대된다. 향후 연구에서는 아이템 기반 특성(장르, 감독 등)을 결합한 하이브리드 모델, 그리고 분산 구현을 통한 스케일업을 탐색할 계획이다.