전이 유사성을 활용한 정보 필터링

초록

본 논문은 사용자 간 고차원 유사성을 모두 고려한 새로운 유사도 지표인 전이 유사성을 제안한다. 이를 기반으로 협업 필터링을 개선한 알고리즘을 설계했으며, 파라미터가 임계값에 근접할 때 예측 정확도가 크게 향상됨을 실험적으로 확인하였다. 또한 전이 유사성의 급수 전개가 수렴·발산하는 구간을 분석하고, 기존 연구와의 연계성을 논의한다.

상세 분석

전이 유사성(transferring similarity)은 기존의 피어슨 상관계수나 코사인 유사도와 달리, 두 사용자 사이에 직접 연결되지 않은 다중 경로를 모두 포함한다는 점에서 차별화된다. 저자들은 먼저 사용자‑아이템 이진 행렬 R을 정의하고, 기본 유사도 S⁽¹⁾를 코사인 혹은 피어슨 방식으로 계산한다. 이후 전이 유사성 S는 무한 급수 형태 S = Σ_{k=1}^{∞} α^{k-1} (S⁽¹⁾)^{k} 로 전개되며, 여기서 α는 전이 강도를 조절하는 스칼라 파라미터이다. 이 급수는 (I – α S⁽¹⁾)^{-1} – I 로도 표현될 수 있어, 행렬 역연산을 통해 효율적으로 계산 가능하다.

핵심은 α의 값에 따라 급수의 수렴성이 달라진다는 점이다. 저자들은 스펙트럼 반경 ρ(S⁽¹⁾)를 이용해 수렴 조건 α·ρ(S⁽¹⁾) < 1 을 도출하고, 실험적으로 α_c ≈ 1/ρ(S⁽¹⁾) 근처에서 예측 정확도가 최고에 도달함을 확인한다. α가 임계값보다 작을 때는 급수가 수렴해 전이 유사성이 안정적으로 추정되지만, 임계값을 초과하면 급수가 발산해 노이즈가 증폭된다. 이는 기존 연구(E. A. Leicht 등, 2006)에서 제시한 네트워크 기반 유사도 전파와 수학적으로 일치한다.

알고리즘 측면에서는 전이 유사성을 이용해 예측 점수 ŷ_{ui}= Σ_{v} S_{uv} R_{vi} 로 계산한다. 여기서 S_{uv}는 전이 유사도, R_{vi}는 사용자 v가 아이템 i에 부여한 평점(또는 이진 구매 여부)이다. 기존 협업 필터링(CF)에서는 S_{uv}가 1‑step 유사도에 한정되므로, 전이 유사성을 적용하면 희소한 데이터에서도 간접적인 정보가 충분히 활용된다.

실험에서는 MovieLens 100K와 Netflix 작은 샘플을 사용해 RMSE와 MAE를 평가했으며, α를 0.10.9 구간에서 변동시켰다. 결과는 α≈α_c에서 RMSE가 기존 CF 대비 1215% 개선되는 것을 보여준다. 또한, 전이 유사성 기반 모델은 새로운 사용자(콜드 스타트)와 아이템에 대한 링크 예측 정확도도 향상시켜, 누락된 링크(prediction of missing links) 문제에 직접적인 적용 가능성을 제시한다.

이 논문은 전이 유사성이라는 개념을 통해 고차원 관계를 정량화하고, 파라미터 임계값과 수렴성을 이론적으로 분석함으로써 협업 필터링의 성능 한계를 확장한다는 점에서 의미가 크다. 다만, 행렬 역연산의 비용이 O(N³) 수준이므로 대규모 시스템에서는 근사 방법이나 희소 행렬 기술이 필요하다는 한계도 언급한다.