복합 사회망 블록 구조로 인간 선호 예측

초록

본 논문은 사회적 상호작용 네트워크를 확률적 블록 모델(SBM)로 표현하고, 베이지안 모델 평균화를 통해 모든 가능한 블록 구성을 샘플링함으로써 개인의 선호를 예측하는 새로운 추천 시스템을 제안한다. 기존 산업 수준 알고리즘 대비 38%~99%의 상대적 정확도 향상을 보이며, 유사한 선호를 가진 집단을 식별해 의사결정 메커니즘을 해석한다.

상세 분석

이 연구는 복잡한 사회 네트워크의 블록 구조가 개인 선호 형성에 핵심적인 역할을 한다는 가설을 실험적으로 검증한다. 저자들은 먼저 사용자가 아이템에 부여한 평점 데이터를 이분 그래프 형태의 사용자‑아이템 네트워크로 변환하고, 이를 확률적 블록 모델(SBM)로 모델링한다. 전통적인 SBM은 노드들을 몇 개의 블록(또는 커뮤니티)으로 나누고, 블록 간 연결 확률을 파라미터화한다. 여기서 중요한 점은 특정 블록 구성을 사전에 고정하지 않고, 베이지안 프레임워크 하에서 사전 분포를 정의한 뒤, 마르코프 체인 몬테 카를로(MCMC) 샘플링을 통해 가능한 모든 블록 배치를 탐색한다는 것이다. 이렇게 얻어진 블록 배치들의 가중 평균이 바로 예측된 평점이다.

모델의 핵심 장점은 두 가지이다. 첫째, 모델 선택 과정에서 과적합 위험을 최소화한다는 점이다. 기존 협업 필터링이나 행렬 분해 기법은 특정 차원 수나 정규화 파라미터를 미리 지정해야 하는데, 이는 데이터 특성에 따라 크게 달라질 수 있다. 반면 본 접근법은 사후 확률에 기반해 가장 가능성 높은 블록 구성을 자동으로 선택한다. 둘째, 블록 구조 자체가 해석 가능한 정보를 제공한다는 점이다. 동일 블록에 속한 사용자들은 선호 패턴이 유사하고, 동일 블록에 속한 아이템은 서로 연관성이 높다. 이를 통해 연구자는 문화적, 인구통계학적 특성 등 외부 요인과 블록 특성을 매핑함으로써 ‘왜’ 특정 아이템이 선호되는지를 설명할 수 있다.

실험에서는 넷플릭스 프라이스, MovieLens, 그리고 대형 전자상거래 플랫폼의 데이터셋을 사용했으며, 비교 대상은 최신 딥러닝 기반 추천 알고리즘(Neural Collaborative Filtering, Variational Autoencoders)과 전통적인 행렬 분해 기법을 포함한다. 평가 지표는 RMSE와 MAE이며, 제안 모델은 모든 데이터셋에서 평균 38%~99%의 상대적 개선을 기록했다. 특히 데이터가 희소하고 새로운 사용자·아이템이 많이 등장하는 콜드 스타트 상황에서 블록 기반 접근법이 강력한 일반화 능력을 보였다.

한계점으로는 MCMC 샘플링 과정이 계산 비용이 높아 대규모 실시간 서비스에 바로 적용하기 어려울 수 있다는 점이다. 저자들은 변분 베이지안 방법이나 스파스 샘플링 기법을 도입해 효율성을 향상시킬 여지를 제시한다. 또한, 블록 수를 사전 지정하지 않더라도 과도한 블록 분할이 발생할 수 있어, 모델 선택 기준을 추가로 연구할 필요가 있다.

전반적으로 이 논문은 확률적 블록 모델을 추천 시스템에 적용함으로써 예측 정확도와 해석 가능성을 동시에 달성한 점에서 학문적·실무적 의미가 크다. 사회 네트워크 분석과 머신러닝을 융합한 새로운 패러다임을 제시하며, 향후 사용자 행동 예측, 정책 설계, 맞춤형 마케팅 등 다양한 분야에 확장 가능성을 보여준다.