이분 네트워크 차수 상관관계가 개인화 추천에 미치는 영향

초록

본 논문은 사용자와 아이템 간의 차수 상관관계를 고려한 새로운 유사도 지표를 도입해 협업 필터링을 개선한 MCF 알고리즘을 제안한다. 튜닝 가능한 파라미터를 통해 차수 상관성을 가중치로 삽입함으로써 평균 순위 점수에서 18.19% 향상을 달성했으며, 추천 리스트의 다양성(해밍 거리)과 인기도 측면에서도 각각 21.90%와 낮은 인기 아이템 비중 증가라는 긍정적 효과를 보였다.

상세 분석

이 연구는 기존 협업 필터링(CF) 방식이 사용자와 아이템 간의 단순한 공통 항목 수에만 의존해, 고차원 네트워크 구조의 정보를 충분히 활용하지 못한다는 점을 지적한다. 이를 보완하기 위해 저자들은 bipartite network(이분 그래프)에서 사용자와 아이템의 차수(연결 수) 사이의 상관관계를 정량화하는 새로운 유사도 지표를 설계하였다. 핵심 아이디어는 확산 과정(diffusion process)을 모사하여, 한 사용자가 평가한 아이템이 다른 사용자에게 전달될 때 그 아이템의 차수와 사용자의 차수를 곱한 가중치를 적용하는 것이다. 이때 가중치의 강도를 조절하는 파라미터 α를 도입해, α>0이면 고차수 아이템(인기 아이템)의 영향이 증폭되고, α<0이면 저차수 아이템(희소 아이템)의 영향이 강조된다.

알고리즘은 크게 세 단계로 구성된다. 첫째, 사용자‑아이템 행렬을 기반으로 초기 자원(점수)을 각 아이템에 할당한다. 둘째, 이 자원을 사용자에게 확산시키면서 위에서 정의한 차수 상관 가중치를 적용한다. 셋째, 확산된 자원을 다시 아이템으로 역전파하여 최종 추천 점수를 산출한다. 기존 CF와 달리, MCF는 사용자 간 유사도를 직접 계산하기보다 확산 과정 자체가 유사도 역할을 수행한다는 점에서 계산 복잡도가 낮아진다.

실험은 널리 사용되는 MovieLens 100K 데이터셋을 대상으로 수행되었다. 평가 지표는 (1) 평균 순위 점수(Ranking Score, RS) – 낮을수록 정확도 높음, (2) 해밍 거리 기반 다양성(Hamming Distance, HD) – 높을수록 추천 리스트가 서로 다름, (3) 평균 아이템 인기(Popularity) – 낮을수록 희소 아이템 추천 비중이 높음이다. 파라미터 α를 -1.0부터 1.0까지 변화시키며 최적값을 탐색한 결과, α≈-0.4에서 RS가 0.0829(기존 CF 대비 18.19% 개선)로 최소화되었으며, 동시에 HD가 0.215(기존 대비 21.90% 상승)와 높은 다양성을 보였다. 인기 지표 역시 α가 음수일 때 낮아지는 경향을 보여, MCF가 인기 편향을 완화하고 장기적인 사용자 만족도를 높일 가능성을 시사한다.

이 논문의 주요 기여는 다음과 같다. 첫째, 사용자와 아이템 차수 간의 상관관계를 수식적으로 모델링하고 이를 협업 필터링에 통합한 새로운 유사도 프레임워크를 제시했다. 둘째, 파라미터 α를 통해 정확도와 다양성 사이의 트레이드오프를 유연하게 조정할 수 있음을 실증하였다. 셋째, 확산 기반 접근법이 기존 메모리 기반 CF보다 계산 효율성을 유지하면서도 성능을 크게 향상시킬 수 있음을 입증했다. 다만, 현재 실험은 단일 데이터셋에 국한되어 있어 다른 도메인(음악, 전자상거래 등)에서의 일반화 가능성을 추가 검증할 필요가 있다. 또한, 실시간 시스템에 적용하기 위한 파라미터 자동 튜닝 메커니즘과 확산 단계의 깊이 조절에 관한 연구가 향후 과제로 남는다.