소셜 영향과 시간 변화를 반영한 동적 행렬 분해

본 논문은 협업 필터링 기반 추천 시스템에서 핵심 기술인 행렬 분해(Matrix Factorization, MF)를 시간에 따라 변화하는 사용자 선호와 사회적 영향이라는 두 가지 동적 요인을 동시에 모델링하는 새로운 프레임워크를 제안한다. 1. **서론 및 배경** - 기존 MF는 정적 가정 하에 사용자‑아이템 평점 행렬을 저차원 잠재 요인 U·Vᵀ로 근사한다. 이는 “유사 사용자·유사 아이템은 유사 평점을 가진다”는 직관에 기반하지만, 실제 온라인 서비스에서는 사용자 선호가 시간에 따라 변하고, 사용자는 친구·신뢰 관계 등 사회적 네트워크의 영향을 받는다. - 이러한 두 가지 동적 현상을 동시에 고려한 연구는 아직 부족했으며, 특히 동적 MF에 사회적 인플루언스를 통합한 사례는 거의 없다. 2. **정적 행렬 분해와 동적 확장** - 정적 MF는 최소화 문제 min_{U,V} ρ(z−A(UVᵀ)) + φ₁(U)+φ₂(V) (식 1) 형태로 표현된다. 여기서 A는 관측 마스크, ρ는 손실(보통 제곱오차)이다. - 동적 MF에서는 시간 인덱스 t 를 도입해 사용자 잠재 요인 Uₜ를 상태 변수로 보고, 선형 전이 Gₜ와 잡음 εₜ를 포함한 상태공간 모델 Uₜ₊₁=GₜUₜ+εₜ, zₜ=Aₜ(UₜVₜᵀ)+νₜ (식 3) 로 정의한다. 3. **초기화 절차** - 동적 추정 전에 각 시점 t 에 대해 정적 MF를 수행해 Vₜ를 얻는다. 이는 min_{Uₜ,Vₜ} ½‖Uₜ‖_F²+½‖Vₜ‖_F² s.t. ‖b−A(UₜVₜᵀ)‖₂≤σ (식 4) 로 구현되며, 공개된 코드를 사용한다. 이렇게 얻은 Vₜ는 이후 동적 단계에서 고정된 관측 모델로 활용된다. 4. **사회적 인플루언스와 그래프 라플라시안** - 각 시점 t 에 사용자 간 신뢰 행렬 Wₜ∈ℝ^{m×m}가 주어지고, 라플라시안 Lₜ=Dₜ−Wₜ (여기서 Dₜ는 차수 행렬) 를 정의한다. - 라플라시안 정규화 항 φₜ(Uₜ)=tr(UₜᵀLₜUₜ) (식 5)은 “신뢰 관계가 강한 사용자들의 잠재 요인은 서로 가깝다”는 가정을 수학적으로 구현한다. 5. **제안 모델** - 물리학에서 사용되는 관성 모델을 차용해 Uₜ와 그 속도 ˙Uₜ를 결합한 상태 xₜ=