이질적 콘텐츠 매칭을 위한 가중 구조 요소와 학습형 활성함수 기반 인공신경망

초록

본 논문은 서로 다른 형식과 구조를 가진 문서(뉴스 기사와 동영상)를 비교·연결하기 위해, 가중된 구조적 요소를 입력으로 하고, 이러한 요소 간 코사인 유사도를 학습형 활성함수로 사용하는 인공신경망 모델을 제안한다. 실험 결과, 최적 가중치를 적용했을 때 동영상과 뉴스 기사를 매칭하는 정확도가 59.2%에 달했으며, 이를 바탕으로 모바일 앱 UI를 구현해 사용자에게 관련 동영상 추천 서비스를 제공한다.

상세 분석

본 연구는 이질적인 데이터 유형 간의 의미적 연관성을 정량화하는 새로운 ANN 프레임워크를 제시한다. 기존의 텍스트‑이미지 매칭 기법은 주로 사전 정의된 특징 추출기와 고정된 활성함수를 사용해 두 도메인 간의 거리 함수를 단순화하는 경향이 있었으며, 이는 구조적 차이를 충분히 반영하지 못한다는 한계가 있었다. 저자들은 이러한 문제를 해결하기 위해 ‘가중 구조 요소(weighted structural components)’라는 개념을 도입한다. 구체적으로, 뉴스 기사와 동영상 각각을 여러 하위 구성요소(예: 제목, 본문, 태그, 메타데이터 등)로 분해하고, 각 요소에 학습 가능한 가중치를 부여한다. 이 가중치는 역전파 과정에서 최적화되며, 요소별 중요도를 데이터에 맞게 자동 조정한다.

활성함수 설계에서도 혁신을 시도한다. 전통적인 시그모이드·ReLU와 달리, 각 뉴런의 활성함수는 입력된 두 구조 요소 간의 코사인 유사도를 계산하도록 설계된 ‘학습형 활성함수(machine‑learned activation function)’이다. 즉, 뉴런은 단순히 선형 결합을 수행하는 것이 아니라, 두 가중된 벡터 사이의 각도 정보를 직접 활용한다. 이는 텍스트와 영상이라는 서로 다른 표현 공간을 동일한 수치적 기준으로 비교할 수 있게 해준다.

모델 학습은 지도학습 방식으로 진행된다. 데이터셋은 뉴스 기사와 해당 기사와 연관된 동영상 쌍을 긍정 샘플로, 무작위 매칭을 부정 샘플로 구성한다. 손실 함수는 이진 교차 엔트로피를 사용하며, 가중치와 활성함수 파라미터를 동시에 업데이트한다. 실험에서는 가중치 초기값, 학습률, 배치 크기 등 하이퍼파라미터를 다양하게 변형해 최적 모델을 탐색했으며, 최종적으로 가중치를 조정한 모델이 고정 가중치 대비 9.3%p 높은 정확도를 보였다.

성능 평가는 정확도(Accuracy) 외에도 정밀도·재현율·F1‑score를 포함했지만, 논문에서는 주로 정확도에 초점을 맞추었다. 최고 59.2%라는 수치는 아직 실용적인 수준에 미치지 못하지만, 이질적 콘텐츠 매칭 문제에 대한 초기 가능성을 보여준다. 특히, 코사인 기반 활성함수가 구조적 차이를 보존하면서도 연산 효율성을 유지한다는 점은 모바일 환경에 적합한 설계라 할 수 있다.

한계점으로는(1) 데이터셋 규모가 제한적이며, 도메인 편향이 존재한다는 점, (2) 활성함수 자체가 코사인 유사도에 고정돼 있어 다른 거리 측정법(예: 유클리드, 마할라노비스)과의 비교가 부족하다는 점, (3) 평가 지표가 단일 정확도에 의존해 실제 사용자 만족도를 충분히 반영하지 못한다는 점을 들 수 있다. 향후 연구에서는 멀티‑모달 임베딩을 사전 학습한 대규모 모델과 결합하거나, 활성함수에 가변형 거리 함수를 도입해 일반화 성능을 높이는 방안을 모색할 필요가 있다.