무한 혼합 멤버십 행렬 분해와 비모수 베이지안 추천 모델

초록

본 논문은 기존 M³F 모델의 한계를 극복하기 위해 사용자·아이템 토픽 수를 사전에 고정하지 않고 데이터로부터 자동 학습하도록 확장한 iM³F 모델을 제안한다. 계층적 디리클레 프로세스(HDP)를 이용해 무한 토픽을 정의하고, 중국식 레스토랑 프랜차이즈(CRF) 기반 Gibbs 샘플링 추론을 설계하였다. MovieLens 1M과 DBLP 공동저자 데이터에 실험을 수행한 결과, 파라메트릭 M³F 대비 RMSE가 각각 0.0065, 0.0072 감소하는 등 유의미한 성능 향상을 확인하였다.

상세 분석

iM³F 모델은 기존 M³F가 사용자와 아이템 각각에 대해 고정된 K개의 토픽(컨텍스트)만을 허용한다는 제약을 완화한다는 점에서 핵심적인 기여를 한다. 논문은 토픽 수를 무한대로 두고, 전역 토픽 집합을 공유하면서도 각 사용자·아이템이 자신만의 토픽 비율을 가질 수 있도록 계층적 디리클레 프로세스(HDP)를 도입한다. HDP는 두 단계의 디리클레 프로세스로 구성되는데, 최상위 DP가 전역 “요리”(토픽)를 생성하고, 하위 DP가 각 사용자·아이템에 대한 “테이블”(토픽 할당)을 샘플링한다. 이를 통해 데이터가 새로운 토픽을 필요로 할 경우 자동으로 생성되며, 불필요한 토픽은 자연스럽게 사라진다.

추론 단계에서는 중국식 레스토랑 프랜차이즈(CRF) 메타포를 활용해 토픽 할당을 Gibbs 샘플링한다. 구체적으로, 각 평점 r_{uj}에 대해 잔차 x_{uj}=r_{uj}-χ₀-a_u·b_j를 정의하고, 이 잔차를 토픽별 정규분포와 연결한다. 테이블 할당 t와 요리 할당 k를 번갈아 샘플링함으로써, 토픽 수가 동적으로 변하는 복합 확률 모델을 효율적으로 추정한다.

모델 파라미터(사용자·아이템 잠재 요인 a_u, b_j, 전역·지역 토픽 평균 μ_k, μ_i 등)와 하이퍼파라미터(와이샤트·정규 사전)의 사후 분포는 모두 정규·와이샤트 공액성을 이용해 닫힌 형태로 업데이트된다. 특히, 토픽 편향 c_{k u}와 d_{i j}는 각각 사용자‑아이템 토픽 쌍에 대한 정규분포 사후를 통해 샘플링되며, 이는 기존 M³F에서 고정된 토픽 수에 비해 훨씬 유연한 표현력을 제공한다.

실험에서는 MovieLens 1M 데이터에 대해 iM³F가 M³F 대비 RMSE를 0.0065만큼 감소시켰으며, 이는 M³F가 베이스라인 대비 얻은 개선폭의 두 배에 해당한다. DBLP 공동저자 예측에서도 유사한 수준의 성능 향상이 관찰되었다. 이러한 결과는 무한 토픽 모델링이 실제 데이터에서 “나폴레옹 다이너마이트” 현상—즉, 동일한 사용자 그룹 내에서도 특정 아이템에 대한 높은 변동성을 효과적으로 포착한다는 것을 입증한다.

또한, 논문은 비모수 접근법이 기존의 차원 선택(예: 잠재 요인 수 D)과는 독립적으로 적용 가능함을 강조한다. 즉, 잠재 요인 차원은 기존 BPMF와 동일하게 고정하거나 비모수화할 수 있으며, iM³F는 토픽 수만을 비모수적으로 학습함으로써 모델 복잡도와 예측 정확도 사이의 균형을 자동으로 맞춘다.

전체적으로 iM³F는 베이지안 비모수 방법론을 추천 시스템에 성공적으로 적용한 사례이며, 토픽 수 자동 추정, 컨텍스트 편향 모델링, 효율적인 Gibbs 샘플링 구현이라는 세 축에서 기존 연구를 크게 확장한다.