잠재적 기대 초월 추천 시스템

초록

**
본 논문은 사용자의 기대를 특징 공간이 아닌 잠재 임베딩 공간에서 정의하고, 기대 아이템들의 잠재적 볼록껍질(Latent Convex Hull)을 이용해 예상 밖의 아이템을 거리 기반으로 측정한다. 이 방법을 통해 정확도는 유지하면서 기존 방법보다 높은 예측 불가능성 및 다양성을 달성한다.

**

상세 분석

**
본 연구는 기존 추천 시스템이 “예상 집합”을 사용자‑아이템의 명시적 특성(예: 카테고리, 속성) 위에만 정의함으로써, 사용자가 실제로 기대할 수 있는 복합적·이질적 관계를 포착하지 못한다는 한계를 지적한다. 이를 해결하기 위해 저자들은 이질적 정보 네트워크(Heterogeneous Information Network, HIN)를 구축하고, 메타‑패스 기반의 이질적 랜덤 워크를 통해 노드 임베딩을 학습한다. 이렇게 얻어진 임베딩은 사용자, 아이템, 리뷰에서 추출된 엔티티, 거래·평점 등 다양한 타입을 하나의 연속적 잠재 공간에 매핑한다.

예상 집합은 해당 사용자가 과거에 소비한 아이템 임베딩들의 볼록껍질(convex hull) 로 정의된다. 볼록껍질은 선형 결합으로 표현 가능한 모든 점을 포함하므로, 기대 집합을 닫힌 형태로 모델링할 수 있다. 이때 ‘예측 불가능성(unexpectedness)’은 후보 아이템 임베딩과 해당 볼록껍질 사이의 유클리드 거리로 측정된다. 거리 기반 정의는 직관적이며, 볼록성 덕분에 최적화 문제(예: 정확도와 예측 불가능성의 가중합을 최대화)에서 볼록성 보장을 제공한다. 또한, 인지 과학에서 제시된 ‘개념적 공간(conceptual space)’ 이론과 일치해, 인간이 범주를 인식하는 방식과 유사한 수학적 구조를 제공한다는 점도 강조한다.

실험에서는 Yelp와 TripAdvisor 두 실제 데이터셋을 사용해, 제안된 LCH(Latent Convex Hull) 모델이 기존 대표적인 예측 불가능성 기반 방법(HOM‑LIN, SPR, Auralist 등)보다 예측 불가능성 지표(예: Unexpectedness@k, Serendipity)에서 유의미하게 높은 점수를 기록하면서, **정확도(RMSE, Precision@k)**는 거의 동일하게 유지되는 것을 확인했다. 또한, 볼록껍질 커버리지를 측정한 결과, LCH가 더 넓은 영역을 차지해 사용자에게 더 다양한 의미론적 아이템을 제공한다는 점을 입증했다.

핵심 기여는 다음과 같다. (1) 기대를 잠재 공간에서 정의함으로써 이질적 관계를 자연스럽게 포함, (2) 기대 집합을 볼록껍질로 모델링해 수학적·인지적 타당성을 확보, (3) HIN 기반 임베딩과 볼록껍질을 결합한 새로운 예측 불가능성 측정법 제시, (4) 실험을 통해 정확도와 예측 불가능성 사이의 트레이드오프 없이 두 목표를 동시에 달성함을 증명.

**