하이퍼그래프 기반 BRank 추천 알고리즘

초록

B‑Rank는 하이퍼그래프 위에서 무작위 워크를 수행하는 새로운 추천 순위 알고리즘이다. 파라미터 튜닝 없이 구현이 간단하며, 희소·밀집 투표 행렬 모두에서 정밀도·재현율을 19%‑50%, 리스트 다양성을 20%‑60% 향상시킨다. 또한 새로운 투표가 추가될 때 효율적인 업데이트 기법을 제공한다.

상세 분석

B‑Rank는 기존 협업 필터링이 사용자‑아이템 이중 그래프에 의존하는 한계를 극복하기 위해 하이퍼그래프 모델을 도입한다. 여기서 각 하이퍼엣지는 하나의 아이템에 대한 모든 사용자들의 투표 집합으로 정의되며, 이는 아이템 간의 복합적인 연관성을 자연스럽게 포착한다. 알고리즘은 하이퍼그래프의 전이 행렬 P 를 구성하고, 초기 확률 벡터 f₀ (사용자‑아이템 상호작용 기반)에서 시작해 f = P·f 의 고정점을 반복적으로 계산한다. 이 과정은 무작위 워크가 하이퍼엣지를 통해 확산되는 형태이며, 각 아이템에 대한 최종 확률값이 추천 순위가 된다.

핵심적인 기술적 장점은 다음과 같다. 첫째, 전이 행렬은 정규화된 하이퍼엣지 가중치로 구성돼 아이템의 인기도와 니치성을 동시에 반영한다. 인기가 높은 아이템은 많은 사용자와 연결돼 전이 확률이 크게 되지만, 동시에 희소한 연결을 가진 니치 아이템도 고유한 하이퍼엣지 구조를 통해 과소평가되지 않는다. 둘째, B‑Rank는 파라미터가 전혀 필요하지 않다. 기존의 확률적 행렬 분해(PMF)나 그래프 기반 PageRank 변형은 정규화 계수, 감쇠 인자 등을 튜닝해야 하지만, B‑Rank는 전이 행렬의 정의만으로 충분히 수렴한다. 셋째, 업데이트 알고리즘은 새로운 투표가 발생했을 때 기존 전이 행렬의 일부 행/열만 재계산하도록 설계돼, 전체 재학습에 비해 시간 복잡도를 O(|E|)에서 O(Δ|E|)로 크게 낮춘다. 여기서 |E| 는 하이퍼엣지 수, Δ 는 변동된 엣지 수이다.

실험에서는 MovieLens 1M, Netflix Prize, 그리고 실제 전자상거래 로그 데이터를 사용해 기존의 Item‑KNN, PureSVD, BPR‑MF, 그리고 Hypergraph‑Rank와 비교했다. 정밀도@10, 재현율@10, NDCG, 그리고 리스트 다양성(ILD) 지표에서 B‑Rank는 평균 30% 이상의 상대적 향상을 보였으며, 특히 희소한 사용자‑아이템 매트릭스에서 그 효과가 두드러졌다. 또한 다양성 측면에서 인기 아이템에 편중되는 현상을 완화해, 사용자가 탐색할 수 있는 새로운 아이템 비율을 45%까지 증가시켰다.

한계점으로는 하이퍼그래프 구축 시 메모리 사용량이 아이템 수와 사용자 수의 곱에 비례해 증가할 수 있다는 점이다. 저자들은 희소 행렬 압축 기법과 샘플링 기반 전이 행렬 근사화를 제안했지만, 대규모 실시간 서비스에 적용하기 위해서는 추가적인 엔지니어링 최적화가 필요하다. 전반적으로 B‑Rank는 파라미터 프리, 높은 정확도와 다양성, 효율적인 업데이트 메커니즘을 갖춘 실용적인 추천 알고리즘으로 평가된다.