사용자 취향을 반영한 개인화 추천 알고리즘 개선

초록

본 연구는 사용자‑아이템 이분 그래프의 가중 투영을 기반으로, 사용자가 수집한 아이템들의 평균 연결 정도를 “취향”으로 정의한다. 초기 추천 파워를 아이템의 연결 정도와 사용자의 취향 모두에 따라 조정하는 매개변수를 도입해, 데이터 희소도에 따라 최적의 파워 분배 전략을 제시한다. 실험 결과, 제안 알고리즘이 평균 순위 점수 기준 정확도를 현저히 향상시킴을 확인하였다.

상세 분석

이 논문은 기존의 질량 확산(mass‑diffusion, MD) 기반 개인화 추천 모델에 사용자의 “취향” 정보를 정량화하여 통합하는 새로운 프레임워크를 제시한다. 여기서 취향은 사용자가 과거에 선택한 아이템들의 평균 차수(연결 정도)로 정의되며, 이는 사용자가 선호하는 아이템이 네트워크 상에서 얼마나 일반적이거나 특수한지를 나타내는 지표로 작용한다. 기존 MD 알고리즘은 초기 자원을 모든 수집 아이템에 동일하게 할당하고, 이후 네트워크를 통해 자원을 확산시켜 추천 점수를 산출한다. 그러나 이러한 방식은 사용자의 개별적 선호 강도와 아이템의 인기 정도를 구분하지 못한다는 한계가 있다.

논문은 이를 보완하기 위해 초기 자원(추천 파워) 배분식을
( f_{i}=k_{i}^{\beta}\times\exp