친환경 그래프 신경망 기반 추천 시스템

초록

본 논문은 그래프 신경망(GNN) 기반 추천 모델의 학습·배포 과정에서 발생하는 탄소 배출량을 정량적으로 측정하고, 임베딩 크기·모델 구조가 환경 영향에 미치는 영향을 분석한다. 실험 결과는 LightGCN이 성능과 에너지 효율 사이에서 가장 좋은 균형을 이루며, 임베딩 차원을 키울수록 CO₂‑eq가 선형적으로 증가함을 보여준다.

상세 분석

이 연구는 기존 추천 시스템 연구에서 간과되어 온 환경 비용을 체계적으로 조명한다는 점에서 의미가 크다. 먼저, CodeCarbon을 이용해 GPU·CPU 전력 소비를 30초 단위로 기록하고, 이를 CO₂‑eq(kg)로 변환하는 방법론은 재현 가능하고 투명한 측정 체계를 제공한다. 모델군은 대표적인 GNN 기반 협업 필터링 기법인 NGCF, LightGCN, SimGCL, LightGCL을 선택했으며, 각 모델을 32, 64, 128, 256 차원의 임베딩으로 학습시켜 임베딩 크기와 탄소 배출량 사이의 관계를 정량화했다.

실험 설정은 400 epoch, 배치 크기 2048/4096, Adam 옵티마이저(learning rate 0.001) 등 표준화된 파이프라인을 따랐으며, NVIDIA RTX A6000 한 대만을 사용해 하드웨어 변수의 영향을 최소화했다. 이는 모델 간 비교를 공정하게 만들지만, 단일 GPU 환경에 국한된 점은 실제 서비스에서 다중 GPU·클러스터 환경에 대한 일반화 가능성을 제한한다.

성능 측면에서는 LightGCN이 Precision, Recall, NDCG, HIT@K 모두에서 가장 높은 점수를 기록했으며, NGCF가 가장 낮은 탄소 배출량을 보였다. 특히, LightGCN은 “경량화”라는 설계 목표와 달리 NGCF보다 약간 높은 배출량을 보였지만, 전체적인 성능‑에너지 트레이드오프에서는 최적이라고 평가된다. 임베딩 차원을 늘릴수록 모든 모델에서 CO₂‑eq가 증가했으며, 특히 SimGCL과 LightGCL은 노이즈·SVD 기반 데이터 증강 단계가 추가 연산을 유발해 배출량 상승 폭이 크게 나타났다.

한계점으로는 데이터셋이 세 가지(ML‑1M, Amazon Beauty, DianPing)로 제한돼 있어 도메인 특이적 편향이 존재할 수 있다. 또한, 전력 탄소 계수는 지역 전력 믹스에 따라 크게 달라지는데, 논문에서는 고정된 계수를 사용했으므로 실제 배출량과 차이가 있을 가능성이 있다. 향후 연구에서는 다양한 하드웨어(예: TPU, ARM 기반 서버)와 전력 공급 환경을 고려한 다변량 분석이 필요하다.

전반적으로 이 논문은 GNN 기반 추천 시스템의 환경 영향을 정량화하고, 설계 단계에서 에너지 효율을 고려하도록 유도하는 중요한 시발점이다.