소셜 인플루언스를 활용한 군중 지혜 기반 추천 모델

초록

본 논문은 소셜 네트워크의 사회적 영향력을 활용해 개인 및 그룹 추천 정확도를 향상시키는 두 가지 모델을 제안한다. 개인 추천에서는 사회적 전염 모델을 통해 협업 필터링(CF) 예측을 보정하고, 그룹 추천에서는 사회적 영향 네트워크 이론을 적용해 구성원 간 의견 조정을 수행한다.

상세 분석

이 연구는 기존 협업 필터링이 사용자 간 유사도만을 기반으로 하는 한계를 지적하고, 사회적 연결망에서 파생되는 ‘전염’과 ‘영향’ 메커니즘을 수학적으로 모델링한다. 개인용 모델은 전통적인 CF 예측값 (r_{ui}^{CF})에 사회적 전염 결과 (s_{ui})를 가중합하여 최종 예측 (r_{ui}=α·r_{ui}^{CF}+(1-α)·s_{ui}) 를 산출한다. 여기서 (s_{ui})는 이웃 사용자들의 평점이 일정 임계값을 초과했을 때 발생하는 ‘정보 카스케이드’를 시뮬레이션하며, 전염 확률은 사용자의 감수성 (θ_u)와 이웃의 영향력 (w_{uv})에 의해 조정된다. 이 접근은 사용자마다 전염에 대한 민감도가 다를 수 있음을 반영해, 개인화된 보정 효과를 제공한다.

그룹용 모델은 사회적 영향 네트워크를 인접 행렬 (W)와 감수성 벡터 (θ)로 표현하고, 라플라시안 (L=I-ΘW)를 이용해 의견 수렴 과정을 동적 시스템 (x(t+1)=ΘWx(t)+ (I-Θ)r^{CF}) 로 모델링한다. 수렴 시점의 고정점 (x^*)는 ‘정착된’ 그룹 평점이며, 이는 구성원 각각의 CF 예측과 상호 영향력을 균형 있게 반영한다. 특히, 핵심 멤버(높은 (w_{uv})·(θ_u)값)의 의견이 결과에 큰 비중을 차지하도록 설계돼, ‘핵심 의견’이 그룹 의사결정에 미치는 영향을 정량화한다.

실험에서는 MovieLens와 Epinions 데이터셋을 활용해, 제안 모델이 기존 CF, 사회적 필터링, 그리고 하이브리드 방법 대비 RMSE와 MAE에서 평균 5~12% 개선을 보였으며, 특히 감수성 파라미터를 최적화했을 때 그룹 추천 정확도가 크게 상승했다. 한계점으로는 전염/영향 파라미터 추정에 충분한 소셜 데이터가 필요하고, 대규모 네트워크에서는 행렬 연산 비용이 증가한다는 점을 언급한다.