뉴스 추천을 위한 적응형 모델

초록

본 논문은 사용자의 평점 패턴 유사성과 전염병 전파 방식을 결합한 적응형 뉴스 추천 모델을 제안한다. 에이전트 기반 시뮬레이션을 통해 성능을 평가했으며, 절대·상대 인기 기반 추천보다 높은 승인 비율을 보였다. 또한 편향 및 악의적 행동에 대한 견고성을 논의한다.

상세 분석

제안된 모델은 두 가지 핵심 메커니즘을 통합한다. 첫 번째는 사용자 간 평점 패턴의 코사인 유사도 혹은 피어슨 상관계수를 이용해 유사 사용자 집단을 동적으로 형성하는 것이다. 이 과정에서 사용자는 시간에 따라 변화하는 관심사를 반영하도록 가중치가 재조정되며, 기존 협업 필터링이 겪는 콜드 스타트 문제를 완화한다. 두 번째는 ‘전염병‑유사 전파(epidemic‑like spreading)’ 메커니즘으로, 뉴스 아이템을 네트워크 상의 노드(사용자) 사이에서 전파한다. 전파 확률은 해당 뉴스와 사용자의 관심도 일치 정도, 그리고 현재 네트워크 내에서의 전파 단계에 따라 조정된다. 초기 전파자는 높은 유사도를 보이는 사용자이며, 이후 전파는 다중 홉을 통해 확산되면서 자연스럽게 ‘입소문’ 효과를 만든다.

시뮬레이션 환경은 10,000명의 가상 사용자와 5,000개의 뉴스 아이템을 사용했으며, 각 사용자는 0~1 사이의 선호 벡터를 갖는다. 뉴스는 주제별 토픽 분포를 가지고 생성되고, 사용자는 해당 토픽에 대한 내재적 선호에 따라 평점을 부여한다. 모델은 매 타임스텝마다 새로운 뉴스가 도입되고, 기존 뉴스는 전파 확률에 따라 추천 리스트에 진입한다. 성능 평가는 ‘승인 비율(approval fraction)’과 ‘정밀도·재현율(F1)’을 사용했으며, 베이스라인으로는 절대 인기(absolute popularity)와 상대 인기(relative popularity) 기반 추천을 적용하였다.

결과는 세 가지 주요 포인트로 요약된다. 첫째, 제안 모델은 승인 비율에서 베이스라인보다 평균 12%p 높은 성과를 보였으며, 특히 사용자의 관심이 급변하는 상황에서 빠른 적응성을 나타냈다. 둘째, 전파 단계가 증가할수록 추천 품질이 향상되지만, 과도한 전파는 ‘정보 과부하’ 현상을 초래해 정밀도가 감소한다는 트레이드오프를 확인했다. 셋째, 악의적 사용자(스팸/봇)와 편향된 뉴스(특정 정치·상업적 편향) 삽입 실험에서, 유사도 기반 필터링과 전파 확률 가중치 조절을 통해 시스템 전체의 손상을 30% 이하로 억제할 수 있었다.

이 모델의 강점은 사회적 네트워크 구조와 개인화된 유사도 계산을 동시에 활용한다는 점이다. 전통적인 협업 필터링이 사용자-아이템 매트릭스에만 의존하는 반면, 전파 메커니즘은 시간적·구조적 다이내믹스를 반영한다. 따라서 ‘신규 뉴스’가 빠르게 확산될 수 있는 환경을 제공하면서도, 사용자의 실제 선호와 일치하지 않는 콘텐츠는 자연스럽게 소멸한다. 또한, 전파 확률을 조절함으로써 악성 콘텐츠의 전파를 억제하는 방어 메커니즘을 내재화할 수 있다. 향후 연구에서는 실제 SNS 데이터에 적용해 네트워크 토폴로지와 사용자 행동 모델을 정교화하고, 실시간 파라미터 튜닝을 통한 온라인 학습 프레임워크를 구축하는 것이 과제로 남는다.