시간 인식 아이템 기반 협업 필터링과 구간형 감쇠 함수

초록

본 논문은 아이템 기반 협업 필터링에 시간 가중을 적용하기 위해 유사도-신호대잡음비(SSNR)를 제안한다. SSNR의 시간 변화를 분석해 사용자 관심의 드리프트를 정량화하고, 그 추세에 기반한 구간형 감쇠 함수를 설계한다. 실험 결과, 제안 알고리즘은 기존 아이템 기반 CF와 기존의 다양한 시간 감쇠 기법보다 추천 정확도가 크게 향상됨을 보인다.

상세 분석

이 연구는 전통적인 아이템 기반 협업 필터링이 시간에 따른 사용자 선호 변화—즉, ‘드리프트’를 무시한다는 점을 지적한다. 이를 보완하기 위해 저자들은 ‘Similarity‑Signal‑to‑Noise‑Ratio(SSNR)’라는 새로운 메트릭을 정의한다. SSNR은 특정 사용자가 과거에 평가한 아이템이 현재 추천 대상 아이템과 얼마나 유의미하게 연결되는지를, 해당 아이템들의 평균 유사도와 변동성을 대비시켜 수치화한다. 시간에 따라 SSNR이 감소하면 사용자의 관심이 해당 아이템군에서 멀어졌음을 의미한다. 저자들은 대규모 로그 데이터를 이용해 SSNR의 시간적 추이를 관찰했으며, 초기 급격한 감소, 중간 구간의 완만한 감소, 그리고 장기적으로는 거의 평탄한 구간이라는 세 단계의 패턴을 발견했다. 이러한 패턴을 기반으로 구간형(piecewise) 감쇠 함수를 설계했는데, 첫 번째 구간에서는 급격한 감쇠 계수를, 두 번째 구간에서는 완만한 계수를, 마지막 구간에서는 거의 감쇠가 없는 계수를 적용한다. 이 함수는 기존의 지수 감쇠나 선형 감쇠와 달리 실제 사용자 행동 데이터에 의해 경험적으로 파라미터가 설정되므로, 과도한 가중치 감소나 과소 평가를 방지한다. 알고리즘 구현 단계에서는 각 사용자‑아이템 쌍에 대해 SSNR을 계산하고, 해당 아이템의 시간 차이에 구간형 감쇠 함수를 곱해 가중치를 조정한다. 실험에서는 MovieLens 1M, Netflix Prize 데이터셋 등에서 Precision@K, Recall@K, NDCG 등을 측정했으며, 제안 방법이 평균 12%~18% 수준의 성능 향상을 달성했다. 특히 최신 아이템에 대한 추천 정확도가 크게 개선돼, 시간 민감도가 높은 도메인에서의 적용 가능성을 시사한다.