추천 시스템 성능 평가를 위한 무작위 그래프 생성

초록

본 논문은 실제 서비스 환경에서 추천 시스템의 속도와 메모리 요구량을 정확히 측정하기 위해, 실제 데이터의 희소성과 구조적 특성을 반영한 인공 bipartite 그래프를 생성하고 이를 이용해 최신 추천 알고리즘의 복잡도를 평가하는 새로운 분석 프레임워크를 제안한다.

상세 분석

이 연구는 전통적인 추천 시스템 평가가 정확도 중심의 통계에 의존하는 한계를 지적하고, 실제 운영 환경에서는 알고리즘의 실행 시간과 메모리 사용량이 핵심 성능 지표가 됨을 강조한다. 기존 복잡도 분석은 데이터가 밀집(dense) 형태라고 가정하는 경우가 많아, 희소(sparse) 데이터를 다루는 현대의 협업 필터링이나 그래프 기반 모델에 적용하기 어렵다. 이를 해결하기 위해 저자들은 최근 개발된 bipartite 그래프 생성기를 활용한다. 이 생성기는 사용자‑아이템 관계를 나타내는 양측 그래프를, 노드 수, 평균 차수, 클러스터링 계수, 파워‑라 법칙 분포 등 실제 서비스에서 관찰되는 여러 토폴로지적 특성을 파라미터화하여 인공적으로 만든다. 이렇게 만든 데이터셋은 메모리 구조(예: CSR, CSC)와 연산 패턴(예: 행렬 곱, 이웃 탐색)에서 실제 로그 데이터를 모방한다.

논문은 대표적인 최신 추천 알고리즘—예를 들어, 아이템 기반 협업 필터링, 행렬 분해 기반 모델, 그래프 신경망(GNN) 기반 방법—을 선정하고, 동일한 인공 그래프에 대해 실행 시간, 메모리 피크, 그리고 스케일링 특성을 측정한다. 실험 결과는 동일한 정확도 수준에서도 토폴로지 파라미터(특히 평균 차수와 파워‑라 지수)의 변화가 알고리즘별로 서로 다른 성능 변동을 초래함을 보여준다. 예컨대, 평균 차수가 높은 그래프에서는 메모리 집약적인 행렬 분해가 급격히 느려지는 반면, GNN 기반 모델은 이웃 집계 연산이 병렬화 가능해 상대적으로 안정적인 성능을 유지한다. 또한, 파워‑라 지수가 낮아 고차원 허브 노드가 많이 존재할 경우, 아이템 기반 협업 필터링은 캐시 미스와 메모리 오버헤드가 급증해 실용적 한계에 봉착한다.

이러한 분석을 통해 저자들은 “데이터 토폴로지가 알고리즘 복잡도에 미치는 영향”이라는 새로운 평가 차원을 제시한다. 기존의 복잡도 이론이 가정한 밀집 행렬 모델을 넘어, 실제 서비스에서 흔히 마주치는 희소하고 비균등한 그래프 구조를 고려함으로써, 알고리즘 선택과 시스템 설계 단계에서 보다 현실적인 의사결정을 지원한다.