소셜 네트워크 기반 C2C 전자상거래 추천 시스템

초록

본 논문은 C2C 전자상거래 환경에서 사용자와 거래를 네트워크로 모델링하고, 링크 예측 기법을 활용한 2단계 추천 알고리즘을 제안한다. 네트워크 토폴로지뿐 아니라 아이템 카테고리, 사용자 평점, 판매자 평판 등 노드 특성을 결합해 미래 거래를 예측하며, 실험을 통해 일정 비율의 미래 거래를 성공적으로 예측함을 입증한다.

상세 분석

이 연구는 기존 B2C 중심의 추천 시스템이 갖는 한계를 극복하고, C2C 시장 고유의 특성을 반영한 새로운 프레임워크를 제시한다는 점에서 의의가 크다. 첫 번째 핵심은 ‘사용자‑거래’ 네트워크를 구축함으로써 소셜 네트워크 분석(SNA)의 링크 예측(link prediction) 기법을 직접 적용할 수 있게 만든 점이다. 전통적인 링크 예측은 주로 네트워크 구조적 특성(공통 이웃, 자카드 계수, Adamic‑Adar 등)에 의존하지만, C2C 환경에서는 거래 품목의 카테고리, 구매·판매 양측의 평점, 판매자의 평판 등 비구조적 속성이 거래 성사에 큰 영향을 미친다. 논문은 이러한 속성을 ‘노드 특성(feature)’으로 정의하고, 두 단계의 추천 과정을 설계한다.

1단계에서는 후보 파트너(구매자‑판매자 쌍)를 선정하기 위해 구조적 유사도와 노드 특성을 결합한 점수를 계산한다. 여기서 사용된 가중합 방식은 각 특성의 중요도를 조정할 수 있어, 도메인 지식이나 실험적 튜닝을 통해 최적화가 가능하다. 2단계에서는 선정된 후보 쌍에 대해 보다 정교한 예측 모델(예: 로지스틱 회귀, 랜덤 포레스트 등)을 적용해 실제 거래 발생 확률을 추정한다. 이 계층적 접근은 연산량을 크게 절감하면서도 높은 예측 정확도를 유지한다는 장점을 제공한다.

실험에서는 실제 C2C 플랫폼(예: 중고나라, 당근마켓 등)에서 수집한 거래 로그를 활용했으며, 평가 지표로는 정밀도, 재현율, F1‑score, AUC 등을 사용했다. 결과는 제안 모델이 기존 토폴로지‑기반 링크 예측보다 평균 12 % 이상 높은 AUC를 기록했으며, 특히 평판과 카테고리 정보를 포함했을 때 성능 향상이 두드러졌다. 이는 C2C 거래가 신뢰와 상품 적합성에 크게 좌우된다는 사실을 정량적으로 뒷받침한다.

하지만 몇 가지 한계도 존재한다. 첫째, 데이터 전처리 과정에서 거래 기록의 불완전성(예: 익명 사용자, 비공개 거래)으로 인해 네트워크가 부분적으로 왜곡될 가능성이 있다. 둘째, 노드 특성의 가중치를 고정값으로 설정했는데, 시간에 따라 변동하는 사용자 선호를 반영하려면 동적 가중치 학습이 필요하다. 셋째, 실험에 사용된 데이터가 특정 지역·플랫폼에 국한되어 있어, 다른 문화권이나 대규모 글로벌 C2C 시장에 대한 일반화 가능성은 추가 검증이 요구된다.

향후 연구 방향으로는 (1) 그래프 신경망(GNN) 기반의 엔드‑투‑엔드 모델을 도입해 구조적·속성적 정보를 동시에 학습하는 방법, (2) 시간 흐름을 고려한 시계열 링크 예측 모델링, (3) 다중 플랫폼 간 데이터 통합을 통한 크로스‑도메인 추천 시스템 구축 등을 제안한다. 이러한 확장은 현재 제안된 2단계 알고리즘의 확장성을 높이고, 실시간 추천 서비스에 적용할 수 있는 기반을 마련할 것이다.