정보 검색 기반 추천 시스템 재구성

초록

사용자‑영화 평점 데이터를 문서‑용어 구조로 변환하고, 활성 사용자를 질의로 간주하여 기존 정보 검색 기법을 적용한다. LSPR과 벡터 공간 모델을 이용해 이웃 사용자를 순위화하고, 가중 평균으로 숨긴 평점을 예측한다. 실험 결과는 정확도 기반으로 두 IR 모델의 성능을 비교한다.

상세 요약

본 논문은 추천 시스템 문제를 정보 검색 문제로 재정의함으로써 기존 IR 알고리즘을 협업 필터링에 직접 적용할 수 있는 새로운 프레임워크를 제시한다. 핵심 아이디어는 사용자 프로파일을 문서로, 영화 아이템을 용어로 매핑하고, 활성 사용자를 질의(query)로 보는 것이다. 평점 값은 용어‑문서 행렬의 가중치로 활용되며, 이는 전통적인 TF‑IDF 가중치와는 별개로 사용자의 선호 강도를 직접 반영한다. 논문은 두 가지 IR 모델을 실험에 적용한다. 첫 번째는 최근 제안된 LSPR 모델로, 이산 푸리에 변환을 기반으로 용어 간 상관관계를 주파수 영역에서 분석한다. LSPR은 고차원 희소 행렬을 압축하면서도 의미적 유사성을 보존하는 장점이 있다. 두 번째는 고전적인 벡터 공간 모델(VSM)로, 코사인 유사도를 이용해 사용자 간 유사성을 측정한다. 두 모델 모두 활성 사용자의 질의와 전체 사용자 문서 집합 사이의 순위 리스트를 생성하고, 상위 k명의 문서를 가중치(순위 역수)로 활용해 숨긴 평점을 예측한다. 실험은 MovieLens와 유사한 영화 평점 데이터셋을 사용했으며, leave‑n‑out 방식으로 일부 평점을 의도적으로 제거한 뒤 복원 정확도를 측정했다. 결과는 LSPR이 VSM보다 약간 높은 정확도를 보였지만, 두 모델 모두 베이스라인 협업 필터링과 비교했을 때 경쟁력 있는 성능을 나타냈다. 특히, 평점 가중치를 순위 기반으로 재조정한 것이 예측 정확도 향상에 크게 기여했음이 확인되었다. 논문은 또한 IR 기반 접근법이 기존 추천 시스템에 비해 구현이 간단하고, 기존 IR 엔진을 그대로 활용할 수 있다는 실용적 장점을 강조한다. 다만, 용어‑문서 행렬이 매우 희소해질 경우 효율적인 인덱싱과 검색이 필요하며, LSPR의 경우 파라미터 튜닝이 성능에 민감하다는 한계도 지적한다. 전반적으로 이 연구는 정보 검색 이론과 추천 시스템을 연결하는 교량 역할을 수행하며, 향후 하이브리드 모델이나 딥러닝 기반 IR 기법과의 결합 가능성을 시사한다.