이질적 초기 자원 구성을 활용한 HeatS와 ProbS 하이브리드 추천 알고리즘 개선

초록

본 논문은 사용자‑아이템 이분 그래프에서 자원 재분배 과정을 열 확산(HeatS)과 확률 확산(ProbS)으로 모델링한 기존 하이브리드 알고리즘에 이질적인 초기 자원 배치를 도입한다. 실험 결과, 이질성 도입이 정확도와 다양성 모두를 동시에 향상시킴을 확인했으며, 개선 효과는 다양한 데이터셋과 파라미터 설정에서도 일관적으로 나타났다.

상세 분석

본 연구는 네트워크 기반 추천 시스템에서 가장 널리 사용되는 두 가지 확산 메커니즘, 즉 열 확산(HeatS)과 확률 확산(ProbS)을 결합한 하이브리드 모델을 재검토한다. 기존의 하이브리드 방식은 모든 사용자에 대해 동일한 초기 자원(보통 1)을 할당하는 동질적 구성에 기반했으며, 이는 정확도와 다양성 사이의 트레이드오프를 어느 정도 완화했지만 여전히 한계가 있었다. 저자들은 초기 자원을 사용자별 혹은 아이템별로 가중치를 부여해 이질적으로 설정함으로써, 각 노드가 가진 고유 특성을 더 정밀하게 반영할 수 있다고 가정한다. 구체적으로, 아이템의 인기 정도(연결도)와 사용자와의 상호작용 강도에 따라 초기 자원을 비선형 함수 형태로 할당하고, 이를 HeatS와 ProbS의 전이 행렬에 동시에 적용한다. 실험에서는 MovieLens, Netflix, 그리고 Amazon 리뷰 데이터 등 다양한 규모와 도메인의 이분 그래프를 사용했으며, 평가 지표로는 정확도(Recall@K, Precision@K), 다양성(ILD, Hamming distance) 및 신뢰도(ROC‑AUC)를 채택했다. 결과는 이질적 초기 자원 구성이 특히 낮은 차수의 아이템에 대한 과소평가를 방지하고, 고차수 아이템에 대한 과도한 편향을 완화함으로써 전체적인 추천 품질을 끌어올린다는 점을 보여준다. 또한 파라미터 λ(HeatS와 ProbS의 혼합 비율)와 α(이질성 조절 파라미터) 사이의 상호작용을 분석한 결과, 특정 λ 값 근처에서 α를 증가시킬수록 정확도와 다양성 모두가 동시에 상승하는 ‘골든존’이 존재함을 확인했다. 이러한 현상은 초기 자원 이질성이 확산 과정에서 정보 손실을 최소화하고, 사용자 개인화 수준을 높이는 역할을 함을 시사한다. 마지막으로, 알고리즘의 시간 복잡도는 기존 하이브리드와 동일하게 O(|E|) 수준으로 유지되며, 메모리 요구량도 크게 증가하지 않아 실시간 서비스 적용 가능성을 확보한다.