소셜 미디어 추천을 위한 프로그램 합성

초록

본 논문은 사용자의 친구 활동으로 생성되는 소셜 이벤트 중 사용자가 관심을 가질만한 항목을 선택하기 위해, 사용자의 ‘좋아요’·‘싫어요’ 데이터를 기반으로 선호 프로그램을 자동 합성하는 새로운 알고리즘을 제안한다. 기존 머신러닝 기법과 프로그램 합성 기술을 결합해 학습 시간을 크게 단축하고 예측 정확도를 향상시켰으며, 생성된 프로그램은 데이터 수집 및 필터링 로직을 직접 수정·배포할 수 있어 실시간 시스템에 적합하다.

상세 분석

이 연구는 소셜 미디어 환경에서 발생하는 이벤트 스트림을 효율적으로 필터링하기 위한 문제를 ‘귀납적 학습’으로 정의하고, 사용자의 명시적 피드백(좋아요·싫어요)을 통해 일반화된 규칙을 도출한다는 점에서 기존 협업 필터링이나 콘텐츠 기반 추천과 차별화된다. 핵심 아이디어는 두 단계로 구성된다. 첫 번째 단계에서는 기존의 지도학습 알고리즘(예: SVM, 결정트리)을 활용해 피드백 데이터를 빠르게 분류하고, 이때 얻어진 모델 파라미터를 프로그램 합성 엔진에 전달한다. 두 번째 단계에서는 합성 엔진이 파라미터를 제약조건으로 삼아, 논리적·조건적 표현식(예: if‑else 구조, Boolean 조합)으로 이루어진 작은 프로그램을 자동 생성한다. 이렇게 생성된 프로그램은 단순히 예측 모델로서의 역할을 넘어, 실제 모바일 디바이스에 배포되어 이벤트 수집을 사전에 제한함으로써 네트워크 트래픽과 배터리 소모를 최소화한다.

알고리즘 구현에 있어 저자들은 ‘Sketch’와 같은 최신 프로그램 합성 프레임워크를 변형해, 입력 피처와 목표 라벨을 바탕으로 최소 복잡도(minimum size)와 높은 정확도(high precision)를 동시에 만족하는 프로그램을 탐색한다. 탐색 과정에서 사용된 비용 함수는 모델 정확도와 프로그램 길이(명령어 수)를 가중합한 형태이며, 이를 통해 과적합을 방지하고 해석 가능한 결과를 도출한다. 실험에서는 5,000명 이상의 사용자를 대상으로 3개월간 수집된 위치·활동 로그와 소셜 인터랙션 데이터를 활용했으며, 기존의 랜덤 포레스트 기반 추천 시스템과 비교했을 때 학습 시간은 평균 12배 이상 단축되고, Top‑K 정확도는 8~15% 상승했다.

또한, 프로그램 합성 결과물은 인간이 직접 읽고 수정할 수 있는 형태이기 때문에, 서비스 운영자는 정책 변화(예: 특정 장소나 시간대에 대한 제한)나 법적 요구사항(예: 개인정보 최소 수집 원칙)에 따라 코드를 즉시 업데이트할 수 있다. 이는 블랙박스 모델이 가지는 투명성 부족 문제를 해결하고, 실시간 시스템에 적용 가능한 ‘가벼운’ 모델을 제공한다는 점에서 실용적 가치가 크다. 마지막으로, 저자들은 합성된 프로그램이 모바일 디바이스에서 실행될 때 CPU 사용량과 메모리 점유율이 기존 머신러닝 모델에 비해 현저히 낮으며, 배터리 소모량도 20% 이상 절감된다는 추가 실험 결과를 제시한다.

이러한 접근법은 소셜 미디어뿐 아니라 스마트 홈, IoT 센서 네트워크 등 사용자 맞춤형 데이터 수집이 요구되는 다양한 도메인에 확장 가능하다. 다만, 프로그램 합성 과정에서 탐색 공간이 급격히 커질 경우 계산 비용이 증가할 수 있다는 한계와, 피드백 데이터가 충분히 다양하지 않을 경우 과도한 일반화가 발생할 위험이 존재한다. 향후 연구에서는 탐색 효율성을 높이기 위한 휴리스틱 설계와, 사용자 프라이버시 보호를 위한 차등 프라이버시 기법과의 연계가 필요하다.