패키지 추천을 위한 쿼리 완화 기법

초록

패키지 추천 시스템에서 사용자가 정의한 제약이 과도하거나 부족하면 만족스러운 결과를 얻기 어렵다. 본 논문은 기존 제약을 완화하여 더 나은 패키지를 찾는 방법을 제안하고, 제약의 중요도 차이를 고려한 휴리스틱을 설계한다. 실험과 크라우드 사용자 조사 결과, 완화된 패키지가 원본보다 높은 선호도를 보이며, 제약 종류에 따라 완화 수용도가 달라짐을 확인하였다.

상세 분석

본 연구는 패키지 추천 쿼리의 세 가지 제약—베이스 제약, 전역 제약, 카디널리티 제약—을 명확히 구분하고, 이들 제약을 부분적으로 제거하는 “쿼리 완화”를 통해 기존 최적 패키지보다 우수한 결과를 도출할 수 있음을 이론적으로 증명한다. 정의 1에 따라 완화된 쿼리는 원본 제약 집합 C의 부분집합 C′을 갖으며, 제약을 제거한 패키지는 목적 함수(F)의 값이 개선될 것임을 Proposition 1이 보장한다(목적이 최대화이면 F(Q′)≥F(Q), 최소화이면 반대). 최적 완화는 목적 함수 개선(I)와 제약 위반 정도(E)를 동시에 최소화하는 다목적 최적화 문제로 정의되며, I는 목적값 개선 비율, E는 평균 절대 백분율 오차(MAPE)로 측정한다.

공간 복잡도가 2^|C|인 완전 탐색은 현실적으로 불가능하므로, 저자는 두 가지 휴리스틱을 제안한다. 첫 번째는 “Exhaustive‑I”로, 제한된 수의 제약을 제거하면서 목적 함수 개선만을 최적화한다. 두 번째는 “Exhaustive‑IE”로, 개선량과 오류 비율을 동시에 고려한다. 실험에서는 레시피 데이터셋(≈8,000개)과 10개의 무작위 패키지 쿼리를 사용해, 작은 비율(10~20%)의 제약만 제거해도 목적 함수 개선이 급격히 상승하고, 오류는 낮은 수준을 유지함을 확인했다.

실시간 응답성을 위해 그리디 기반 알고리즘을 도입하였다. “Greedy‑I”는 매 단계 가장 큰 목적 개선을 일으키는 제약을 제거하고, “Greedy‑IE”는 개선/오류 비율이 가장 높은 제약을 선택한다. 양 알고리즘은 Exhaustive 방식과 거의 동등한 개선 효과를 보이며, 실행 시간은 수십 배 이상 단축된다. 또한, 목표 완화 비율이 50%를 초과할 경우 빈 제약 집합에서 시작해 제약을 추가하는 양방향 그리디(bidirectional greedy)를 적용해 추가적인 속도 향상을 달성한다.

사용자 수용성을 검증하기 위해 크라우드 스터디를 진행하였다. 참가자들은 영양 요구와 조리 시간 제한이 포함된 식단 패키지를 평가했으며, 완화된 패키지에 대한 선호도가 76%로 비완화 패키지(71%)보다 높았다. 특히, 일부 제약(예: 특정 영양소 상한)보다 다른 제약(예: 총 비용)은 완화에 대한 저항이 낮아, 제약 중요도에 따라 차등 완화가 필요함을 시사한다.

결론적으로, 본 논문은 (1) 제약을 완화해도 목적 함수가 반드시 개선된다는 이론적 근거, (2) 제한된 제약만을 선택적으로 제거하는 효율적인 휴리스틱, (3) 실제 사용자에게서 확인된 완화 수용도와 제약 민감도 차이를 제공한다. 이는 기존 패키지 추천 시스템이 “빈 결과” 문제만을 해결하려는 접근을 넘어, “다양성 및 만족도 향상”을 목표로 하는 새로운 패러다임을 제시한다.