연속 시간 흐름을 활용한 링크 스트림 그래프 기반 추천 시스템

초록

본 논문은 명시적 평점이 부족한 전자상거래 환경에서 사용자의 구매·탐색·스트리밍 기록과 같은 암묵적 데이터를 활용한다. 기존의 이분 그래프(BIP)와 세션 기반 시간 그래프(STG)는 시간 정보를 이산적으로 다루어 사용자 선호의 미세한 변화를 포착하지 못한다. 이를 해결하기 위해 연속적인 시간 축을 갖는 링크 스트림 그래프(LSG)를 제안하고, 네 개의 실제 데이터셋과 세 가지 평가 지표를 통해 BIP·STG 대비 12가지 실험 중 9가지에서 우수한 성능을 입증한다.

상세 분석

본 연구는 추천 시스템에서 시간적 역학을 정밀하게 모델링하는 방법론적 진보를 제시한다. 기존의 이분 사용자‑아이템 그래프(BIP)는 정적인 연결 관계만을 표현하므로, 사용자의 선호가 시간에 따라 변하는 현상을 반영하기 어렵다. 이를 보완하기 위해 제시된 세션 기반 시간 그래프(STG)는 시간 슬라이스를 도입해 장기·단기 선호를 구분하지만, 시간 슬라이스 자체가 이산적이기 때문에 실제 사용자 행동의 연속성을 손실한다. 이러한 한계를 극복하기 위해 저자들은 Latapy et al.가 제안한 링크 스트림 개념을 확장한 Link Stream Graph(LSG)를 도입한다. LSG는 (사용자, 아이템, 시간) 3‑튜플 형태의 에지를 연속적인 시간 구간으로 정의함으로써, 동일 아이템에 대한 반복 구매나 연속적인 클릭 흐름 등 미세한 시간 변화를 그대로 보존한다.

기술적으로 LSG는 다음과 같은 핵심 요소를 포함한다. 첫째, 시간 축을 실수 구간으로 모델링해 에지 발생 시점을 정확히 기록한다. 둘째, 각 사용자와 아이템에 대한 시간 가중치를 계산해 최근 행동에 더 큰 중요도를 부여한다. 셋째, 그래프 기반 임베딩 기법(예: Random Walk with Restart, Graph Convolutional Network)을 적용할 때, 시간 가중치를 전이 확률에 통합함으로써 동적 선호를 반영한 노드 표현을 학습한다. 이러한 설계는 기존 정적 그래프 기반 임베딩이 갖는 “시간 무시” 문제를 근본적으로 해결한다.

실험 설계는 네 개의 공개 암묵적 데이터셋(예: Amazon Beauty, MovieLens 1M, Last.fm, Netflix Implicit)과 Top‑N 추천 평가 지표인 Recall@K, NDCG@K, MAP@K를 사용한다. 각 데이터셋에 대해 BIP, STG, LSG 세 모델을 동일한 임베딩 및 추천 파이프라인에 적용해 성능을 비교하였다. 결과는 LSG가 12가지 실험 조합 중 9가지에서 가장 높은 점수를 기록했으며, 특히 최신 행동에 민감한 시나리오에서 STG를 크게 앞섰다. 이는 연속 시간 모델링이 장기·단기 선호를 동시에 포착하면서도, 시간 흐름의 미세한 변화를 보존한다는 점을 실증한다.

한계점으로는 LSG가 시간 구간을 연속적으로 관리함에 따라 메모리·연산 비용이 증가한다는 점이다. 저자들은 이를 완화하기 위해 시간 윈도우 샘플링과 에지 압축 기법을 제안했지만, 대규모 실시간 시스템에 적용하기 위한 추가 최적화가 필요하다. 또한, 현재 연구는 암묵적 피드백에 국한되어 있어 명시적 평점이나 텍스트 기반 컨텍스트와의 융합 가능성을 탐색하지 않았다. 향후 연구에서는 멀티모달 데이터와의 통합, 그리고 온라인 학습 환경에서의 효율적인 스트림 업데이트 메커니즘을 개발하는 것이 과제로 남는다.

요약하면, 본 논문은 시간 연속성을 유지하는 링크 스트림 그래프를 통해 기존 정적·이산적 그래프 모델의 한계를 극복하고, 암묵적 데이터 기반 추천 시스템에서 사용자 선호의 동적 변화를 정밀하게 포착함으로써 성능 향상을 입증하였다. 이는 추천 시스템 연구에 시간 흐름을 그래프 구조에 자연스럽게 통합하는 새로운 패러다임을 제시한다.