분산형 소셜 추천 시스템을 위한 협력적 컨텍스트 밴딧

본 논문은 분산형 온라인 추천 시스템에서 발생하는 협력적 의사결정 문제를 수학적으로 모델링하고, 이를 해결하기 위한 알고리즘과 이론적 성능 보장을 제공한다. 서론에서는 소셜 네트워크 상에서 여러 기업이나 콘텐츠 제공자가 서로 독립적인 인벤토리와 사용자 정보를 보유하면서도, 서로의 상품을 추천해 수수료를 얻는 상황을 제시한다. 이러한 환경에서는 (1) 각 에이전트가 제한된 정보만을 가지고 의사결정을 해야 하고, (2) 다른 에이전트와의 협력이 장기적인 수익을 증대시킬 수 있다는 점이 핵심 과제로 떠오른다. 관련 연구 파트에서는 기존의 컨텍스트 밴딧이 주로 단일 중앙 에이전트가 모든 팔(arm)을 직접 선택하는 형태였으며, 협력이나 인센티브 구조를 고려하지 않았음을 지적한다. 또한, 다중 에이전트가 각각 부분적인 팔 집합만을 접근하고, 동시에 여러 팔을 선택하는 ‘다중 플레이’ 문제와, 팔 간 상호 의존성을 다루는 조합적 밴딧 연구가 제한적이었다는 점을 강조한다. 이를 바탕으로 본 논문은 (i) 다중 에이전트가 서로 다른 아이템 집합을 보유하고, (ii) 각 에이전트가 동시에 N개의 아이템을 추천할 수 있으며, (iii) 추천된 아이템이 타 에이전트의 것이면 수수료가 발생하는 새로운 모델을 제시한다. 문제 정의에서는 M개의 에이전트와 각각의 인벤토리 F_i, 무제한 공급을 가정한다. 사용자 컨텍스트 x_i(t)∈