선호 확산 기반 정보 필터링: 정확도·다양성·신규성 동시 향상

초록

본 논문은 사용자‑아이템 이분 그래프에 선호 확산(preferential diffusion) 과정을 적용한 새로운 추천 알고리즘을 제안한다. 기존의 질량 확산(NBI)과 열 전도(HeatS) 기반 방법이 정확도와 다양성 사이에서 트레이드오프를 보이는 문제를 해결하고자, 마지막 확산 단계에서 아이템의 차수에 따라 자원을 가중 부여한다. 실험 결과, MovieLens와 Netflix 데이터셋에서 제안 방법이 정확도(Ranking Score, Precision)와 동시에 인터‑다양성·신규성 지표에서 기존 최첨단 방법들을 능가함을 보였다.

상세 분석

이 논문은 추천 시스템을 이분 네트워크 G(U,O,E) 로 모델링하고, 기존의 네트워크 기반 추론(NBI, ProbS)과 열 전도(HeatS) 방식을 비교·분석한다. NBI는 초기 자원을 사용자가 이미 수집한 아이템에 1씩 할당하고, 전이 행렬 W (식 1)를 통해 3단계 랜덤 워크를 수행한다. 이때 자원은 아이템 k_o 와 사용자 k_u 의 차수에 의해 정규화되며, 결과는 인기 아이템에 과도하게 집중되는 경향이 있다. HeatS는 전이 행렬을 k_o^(-1) · k_u 형태로 바꾸어 저차수 아이템에 더 많은 자원을 배분, 다양성을 높이지만 정확도가 떨어진다.

저자들은 ‘선호 확산(Preferential Diffusion, PD)’을 제안한다. 핵심 아이디어는 마지막 단계(사용자→아이템)에서 아이템 α 가 받는 자원을 k_oα^ε (ε≤0) 에 비례하도록 가중하는 것이다(식 5). ε=0이면 NBI와 동일하고, ε<0이면 저차수(덜 인기) 아이템에 더 많은 자원이 흐르게 된다. 이를 통해 인기 아이템에 대한 과도한 자원 집중을 억제하고, 숨겨진(테스트) 링크가 저차수 아이템에 있을 경우에도 높은 순위를 얻을 수 있다.

또한, 초기 자원 분포에 이질성을 도입한 Heter‑NBI와 결합한 Heter‑PD를 설계했다. 여기서는 초기 자원을 k_o^θ (θ<0) 로 가중하고, 마지막 단계에서도 ε 값을 적용한다. 두 파라미터 θ, ε 를 튜닝함으로써 정확도와 다양성 사이의 균형을 세밀하게 조정할 수 있다.

실험 설정은 MovieLens(1,682 영화, 943 사용자)와 Netflix(10,000 사용자, 6,000 영화) 데이터를 90% 학습, 10% 테스트로 분할하였다. 평가 지표는 Ranking Score, Precision@L, Hamming 기반 Inter‑Diversity (H(L)), 그리고 Novelty(추천된 아이템의 평균 차수의 역수) 등을 사용했다. 결과는 다음과 같다.

1. 정확도: PD와 Heter‑PD는 기존 NBI, HeatS, Hybrid‑PH(λ‑조합)보다 낮은 Ranking Score와 높은 Precision을 기록했다. 특히 ε≈‑0.5 정도에서 최적 성능이 나타났다.
2. 다양성: 인터‑다양성 H(L) 값이 가장 높았으며, 이는 사용자마다 서로 다른 추천 리스트를 제공함을 의미한다.
3. 신규성: 평균 아이템 차수가 낮은 아이템이 더 많이 추천되어 Novelty 지표가 크게 향상되었다.

또한, 저자들은 PD‑II(두 번째 확산 단계에 선호 가중 적용)와 같은 변형을 실험했지만, 신규 사용자와 인기 아이템 간의 비합리적 유사성을 초래해 성능 향상이 미미함을 보고하였다.

이 논문은 ‘마지막 단계에서의 선호 확산’이라는 간단하지만 효과적인 아이디어가 기존 방법들의 한계를 극복하고, 정확도·다양성·신규성 3가지 핵심 목표를 동시에 달성할 수 있음을 실증한다. 파라미터 ε 와 θ 의 물리적 의미(아이템 차수에 대한 역비례 가중)와 구현 복잡도(O(|E|))가 낮아 실제 서비스에 적용하기에도 유리하다.