소셜 인플루언스를 활용한 통합 추천 모델

초록

본 논문은 사용자 간의 숨겨진 사회적 영향력을 정량화하고, 이를 협업 필터링·콘텐츠 기반 기법과 결합한 확률 생성 모델을 제안한다. EM 알고리즘을 이용해 모델 파라미터를 학습하고, 대규모 데이터 처리용으로 Map‑Reduce 기반 병렬 구현을 제공한다. 실험 결과, 소셜 인플루언스를 포함한 통합 모델이 기존 방법들을 크게 능가하며, 그룹 추천에서도 우수한 성능을 보였다.

상세 분석

이 연구는 추천 시스템에 사회적 영향력을 체계적으로 통합하려는 시도로, 기존 협업 필터링(CF)과 콘텐츠 기반 접근법이 갖는 한계를 보완한다. 핵심 아이디어는 사용자의 선택 과정을 ‘주제(topic)’와 ‘친구 영향’이라는 두 가지 잠재 변수로 모델링하는 것이다. 사용자는 자신의 선호 토픽을 따라 아이템을 선택하거나, 친구가 선호하는 토픽을 통해 간접적으로 아이템을 선택한다는 가정을 통해, 사회적 영향력을 숨은 변수로 도입한다.

모델은 전통적인 확률 생성 모델(사용자‑주제‑아이템 삼중 구조)에 ‘사회적 영향 분포(친구 → 사용자)’를 추가한 형태이며, 이는 각 사용자마다 친구 집합에 대한 가중치를 학습한다는 점에서 기존의 신뢰값을 사전에 제공받는 방식과 차별화된다. 파라미터 추정은 기대‑최대화(EM) 알고리즘으로 수행되며, E‑스텝에서는 관측된 사용자‑아이템 쌍에 대해 주제와 친구 선택의 사후 확률을 계산하고, M‑스텝에서는 이 사후 확률을 이용해 주제‑아이템, 사용자‑주제, 친구‑사회적 영향 분포를 업데이트한다.

대규모 데이터(수십만 사용자·수백만 아이템)에서 EM의 계산 비용이 급증함을 인식하고, 저자들은 Map‑Reduce 프레임워크 위에 병렬 EM을 구현하였다. 맵 단계에서는 각 데이터 샤드별로 충분통계(주제‑아이템 카운트, 사용자‑주제 카운트, 친구‑사회적 영향 카운트)를 계산하고, 리듀스 단계에서 전역 파라미터를 집계·정규화한다. 이 설계는 선형 확장성을 확보해 두 개의 실제 소셜 미디어 데이터셋(last.fm, whrrl.com)에서 실험을 가능하게 한다.

실험에서는 (1) 사회적 영향 없이 순수 CF·콘텐츠 모델, (2) 사회적 영향을 단순히 가중합하거나 정규화 항으로 추가한 기존 방법, (3) 제안된 통합 생성 모델을 비교하였다. 모든 지표(Precision@K, Recall@K, NDCG 등)에서 통합 모델이 가장 높은 성능을 기록했으며, 특히 whrrl.com 데이터에서는 친구 영향력이 크게 작용함을 확인했다.

그룹 추천에 대해서는, 개인별 사후 확률을 이용해 그룹 내 각 사용자의 사회적 영향 파라미터를 집계하고, 이를 기반으로 그룹 전체의 선호 토픽을 재구성한다. 기존의 ‘프로필 평균’이나 ‘최소 불만’ 방식보다 평균 12% 이상의 NDCG 향상을 보였다.

이 논문의 주요 강점은 (① 사회적 영향을 숨은 변수로 명시적 모델링, ② EM 기반 파라미터 학습과 Map‑Reduce 병렬화, ③ 그룹 추천까지 확장 가능한 통합 프레임워크)이다. 다만, 친구 관계가 희소하거나 신뢰도가 낮은 경우 파라미터 수렴이 불안정할 수 있으며, 토픽 수 K와 친구 영향 가중치 초기값에 민감한 점은 향후 연구가 필요하다. 또한, 실시간 추천 시점에서 친구 영향 파라미터를 빠르게 업데이트하는 메커니즘이 부재하다는 점도 한계로 지적된다.