다중 카테고리 환경에서의 적응형 사회 추천

초록

본 논문은 사용자의 취향을 단일 이진 벡터가 아닌 여러 개의 벡터로 모델링하고, 이러한 다중 벡터 환경에서 기존 적응형 사회 추천 알고리즘이 성능 저하를 보임을 확인한다. 이를 극복하기 위해 새로운 취향 유사도 측정 방식을 제안하고, 정확도와 다양성을 동시에 향상시키는 방법을 실험을 통해 검증한다.

상세 분석

이 연구는 기존 사회 추천 모델이 사용자 취향을 하나의 이진 벡터로 단순화하는 가정에 문제점을 제기한다. 실제 온라인 환경에서는 사용자가 여러 관심 분야(예: 영화, 음악, 뉴스 등)를 동시에 보유하며, 각 분야마다 선호 강도가 다르게 나타난다. 저자들은 이를 반영하기 위해 각 사용자를 K개의 카테고리별 선호 벡터로 표현하고, 각 벡터는 0‑1 값이 아닌 실수형 가중치를 포함하도록 설계하였다. 이러한 다중 벡터 모델은 사용자 간 유사도 계산을 복잡하게 만들지만, 보다 현실적인 추천 결과를 기대할 수 있다.

시뮬레이션 결과, 기존의 코사인 유사도나 자카드 계수를 그대로 적용하면, 서로 다른 카테고리에서 높은 점수를 받은 사용자가 동일 카테고리 내에서의 미세한 차이를 반영하지 못해 추천 정확도가 급격히 떨어진다. 이를 해결하기 위해 저자들은 (1) 카테고리 가중치 기반 유사도, (2) 정규화된 내적과 차원별 평균 차이를 결합한 복합 지표, (3) 사용자‑아이템 상호작용 히스토리를 고려한 동적 가중치 조정 방식을 제안한다. 특히, 카테고리 가중치를 사전에 학습된 분포에 따라 자동 조정함으로써, 사용자가 현재 관심을 두는 분야에 더 큰 비중을 부여한다.

다음으로, 추천 다양성 확보를 위한 전략으로 ‘다중 후보 풀’과 ‘탐색‑활용 균형’ 파라미터를 도입한다. 이 파라미터는 높은 정확도를 유지하면서도 장기적으로 새로운 카테고리의 아이템을 노출시키는 역할을 한다. 실험에서는 정확도(Precision@10)와 다양성(Entropy, Intra‑list Diversity) 지표를 동시에 개선하는 것이 가능함을 보여준다.

전체적으로, 다중 벡터 기반 사용자 모델링이 기존 이진 벡터 모델보다 현실에 가깝고, 제안된 유사도 측정 및 다양성 조절 메커니즘이 적응형 사회 추천 시스템의 성능을 크게 향상시킨다. 이 연구는 향후 소셜 네트워크 기반 추천 엔진 설계 시 다중 관심사와 동적 가중치를 고려해야 함을 시사한다.