QoS 기반 웹 서비스 추천을 위한 하이브리드 순위 접근법

초록

본 논문은 전통적인 평점 예측이 아닌 순위 예측에 초점을 맞추어, 아이템 기반 협업 필터링과 잠재 요인 모델을 결합한 하이브리드 방식을 제안한다. 서비스 간 유사도는 QoS 평점이 아닌 순위 상관계수로 측정하고, 상위 K개의 추천 정확도를 평가하기 위해 NDCG를 개선하였다. 실제 웹 서비스 QoS 데이터셋을 이용한 실험 결과, 제안 방법이 기존 모델들을 전반적으로 능가함을 확인하였다.

상세 분석

이 연구는 웹 서비스 선택 과정에서 비기능적 품질인 QoS가 핵심 의사결정 요소가 되는 현상을 전제로 한다. 기존의 QoS 기반 추천 시스템은 주로 평점 예측(Rating‑oriented) 방식에 의존해 왔으며, 이는 사용자가 아직 평가하지 않은 서비스에 대한 예상 평점을 최소 오차로 추정하는 것을 목표로 한다. 그러나 평점 예측 정확도가 높다고 해서 실제 사용자가 선호하는 상위 서비스가 정확히 추천되는 것은 아니다. 순위(Ranking) 관점에서 보면, 사용자는 상위 몇 개의 후보만을 실제로 검토하고 선택하기 때문에, 상위 K개의 순서가 정확히 맞춰지는 것이 더 중요한 평가 기준이 된다.

논문은 이러한 문제점을 해결하기 위해 두 가지 핵심 기술을 융합한다. 첫째, 아이템 기반 협업 필터링(Item‑Based Collaborative Filtering, IBCF)에서 서비스 간 유사도를 전통적인 코사인 유사도나 피어슨 상관계수가 아닌, 각 서비스의 QoS 순위 벡터 간의 상관계수(Rank Correlation)로 정의한다. 이는 동일 사용자 집단 내에서 서비스가 차지하는 상대적 위치를 직접 반영하므로, 평점 자체의 절대값 차이에 민감하지 않으며 순위 기반 추천에 보다 적합한 거리 측정을 제공한다.

둘째, 잠재 요인 모델(Latent Factor Model, LFM)에서는 행렬 분해를 통해 사용자와 서비스의 잠재 특성을 학습한다. 여기서는 일반적인 최소제곱 손실 대신 순위 손실(Ranking Loss)을 최소화하도록 목적 함수를 설계하고, BPR(Bayesian Personalized Ranking)과 유사한 확률적 최적화 기법을 적용한다. 이렇게 하면 모델이 높은 순위에 위치할 서비스에 더 큰 가중치를 부여하게 된다.

두 모델의 예측 결과를 선형 가중합 방식으로 결합함으로써, IBCF가 제공하는 로컬(근접) 유사도 정보와 LFM이 포착하는 전역(잠재) 구조를 동시에 활용한다. 가중치는 검증 데이터셋을 통해 교차 검증 방식으로 최적화되며, 이는 데이터 특성에 따라 유연하게 조정될 수 있다.

평가 지표로는 기존 NDCG(Normalized Discounted Cumulative Gain)를 개선하여, 상위 K개의 추천 리스트에서 실제 QoS 순위와의 차이를 보다 정밀하게 반영하도록 가중치를 재조정한다. 구체적으로, 할인 계수를 서비스별 QoS 변동성에 따라 동적으로 변동시키는 방식을 도입함으로써, 변동성이 큰 서비스가 상위에 위치했을 때의 페널티를 강화한다.

실험은 공개된 QoS 데이터셋(예: WS-DREAM)에서 수행되었으며, 데이터는 서비스별 응답시간, 가용성, 처리량 등 여러 QoS 속성을 포함한다. 실험 설계는 5‑fold 교차 검증을 기반으로 하며, 비교 대상은 전통적인 평점 기반 CF, 순위 기반 MF, 그리고 최신 딥러닝 기반 추천 모델 등을 포함한다. 결과는 제안된 하이브리드 모델이 NDCG@10, NDCG@20 등 상위 K 추천 정확도에서 평균 6~12% 향상을 보였으며, 특히 서비스 간 순위 차이가 미세한 경우에도 안정적인 성능을 유지함을 보여준다.

이러한 결과는 웹 서비스 마켓플레이스나 클라우드 서비스 선택 지원 시스템에서, 사용자가 실제로 관심을 갖는 상위 몇 개의 후보를 정확히 제시함으로써 선택 비용을 크게 감소시킬 수 있음을 시사한다. 또한, 순위 기반 유사도 측정과 손실 함수 설계가 기존 평점 중심 접근법의 한계를 극복하는 핵심 메커니즘임을 입증한다.