행렬분해와 재시작 랜덤워크, 추천 시스템에서 누가 더 우수한가

초록

본 논문은 협업 필터링의 대표 기법인 행렬분해(MF)와 재시작 랜덤워크(RWR)를 명확히 대응시키고, 명시적 피드백과 암묵적 피드백, 편향 항 및 부가 정보 활용 여부에 따라 두 방법의 성능을 체계적으로 비교한다. 실험 결과, MF는 명시적 평점 데이터에서, RWR은 암묵적 행동 데이터에서 각각 우수함을 확인했으며, 전역 편향을 도입한 RWR 변형이 MF의 편향 모델과 동등한 효과를 제공한다.

상세 분석

이 연구는 행렬분해와 재시작 랜덤워크라는 두 가지 협업 필터링 접근법을 수학적 구조와 실제 적용 관점에서 일대일 대응시킨다. 먼저 MF는 사용자‑아이템 평점 행렬을 저차원 잠재 요인으로 분해하여 ˆr_ui = x_u^T y_i 형태의 예측식을 만든다. 여기서 편향(b_u, b_i)과 정규화 λ를 포함하면 전역 평균 μ와 결합된 형태가 된다. 반면 RWR은 사용자‑아이템 이분 그래프 위에서 확률적 탐색을 수행해, 재시작 확률 c와 행렬 ˜A(행 정규화 인접 행렬)를 이용해 r = (1‑c)˜A r + c q 로 개인화 점수를 계산한다. 논문은 MF의 각 변형(명시적, 암묵적, 편향, 부가 정보)과 RWR의 대응 변형을 표 Ⅱ에 정리하고, 특히 전역 편향을 그래프에 가중치 δ로 추가한 RWR‑Bias를 제안한다. 이 모델은 아이템의 인기도와 사용자 전반적 경향을 그래프 구조에 직접 반영함으로써, 기존 RWR이 놓치기 쉬운 전역적인 선호 정보를 보완한다. 실험에서는 MovieLens, Netflix, Last.fm 등 다양한 공개 데이터셋을 활용해 명시적 평점(별점)과 암묵적 행동(클릭, 재생 횟수) 두 종류의 피드백을 각각 테스트하였다. 평가 지표는 RMSE, MAE, Precision@K, Recall@K 등을 포함했으며, MF는 명시적 데이터에서 평균적으로 5‑10% 낮은 RMSE를 기록했고, RWR은 암묵적 데이터에서 Precision@K가 7‑12% 상승했다. 편향 항을 포함하면 두 방법 모두 성능이 향상되었지만, 부가 정보(사용자 인구통계, 아이템 카테고리)를 추가했을 때는 MF가 명시적 피드백과 결합될 경우 성능이 크게 개선되는 반면, RWR은 오히려 노이즈가 증폭돼 성능이 감소했다. 이러한 차이는 MF가 선형 회귀 기반으로 전역적인 평균과 편향을 쉽게 통합할 수 있는 반면, RWR은 그래프 전파 과정에서 부가 정보가 과도히 확산되어 신호‑노이즈 비가 악화되기 때문이다. 또한, 논문은 콜드 스타트 상황을 시뮬레이션해 부가 정보를 활용한 MF‑Side가 신규 사용자·아이템에 대해 빠르게 수렴하는 반면, RWR‑Side는 그래프 연결성이 부족해 초기 추천 정확도가 낮음을 보고한다. 전반적으로 이 연구는 두 기법의 장단점을 명확히 구분하고, 실제 서비스에서 피드백 유형과 데이터 특성에 따라 적절한 알고리즘을 선택할 근거를 제공한다.