다양성과 정확성을 동시에 조절하는 확률 기반 추천 모델

초록

본 논문은 추천 시스템에서 정확도와 다양성 사이의 트레이드오프를 하나의 파라미터로 제어할 수 있는 확률적 하이브리드 모델을 제안한다. 정확도 극대화를 위한 기본 모델과 사용자 취향에 맞는 다양성 조정을 위한 보조 모델을 결합하고, λ라는 가중치를 통해 두 모델의 영향을 조절한다. 두 개의 실제 데이터셋 실험 결과, 제안 모델이 기존 협업 필터링·행렬 분해 기반 방법보다 정밀도와 신선도(다양성) 모두에서 우수함을 보였으며, 연산 복잡도도 낮아 실무 적용 가능성을 강조한다.

상세 요약

이 논문은 추천 시스템에서 흔히 발생하는 정확도‑다양성 딜레마를 확률적 프레임워크 안에서 해결하고자 한다. 기본 아이디어는 두 개의 확률 분포를 정의하는데, 첫 번째는 전통적인 정확도 중심 모델 P₁(i|u) 으로 사용자 u 가 아이템 i 를 선호할 확률을 추정한다. 여기서는 사용자‑아이템 행렬의 잠재 요인을 이용한 베이즈 추정이나 기존 협업 필터링 기법을 확률 형태로 변형한다. 두 번째는 다양성을 촉진하기 위한 보조 모델 P₂(i|u) 으로, 아이템의 인기 정도, 카테고리 분포, 혹은 사용자와의 차별화된 특성을 반영한다. 논문은 P₂를 “사용자 맞춤형 맛 지정”이라고 부르며, 이는 사용자가 아직 탐색하지 않은 니치 아이템을 높은 확률로 부여하도록 설계된다.

핵심 조정 파라미터 λ∈