소셜 네트워크 기반 개인 맞춤 가격 책정의 공정성 강화

초록

본 논문은 소셜 네트워크 상에서 고객에게 개별화된 가격을 제시하면서, 개인 수준의 불공정 인식과 보호된 집단에 대한 차별을 동시에 최소화하는 새로운 프레임워크인 FairPricing을 제안한다. 그래프 신경망(GNN)과 적대적 디바이싱을 결합해 가격 정책을 학습하고, 네트워크 구조 변화에도 재학습 없이 적용 가능하도록 설계하였다. 실험 결과, 기존 방법 대비 수익성을 유지하면서 개인·그룹 공정성을 크게 개선하였다.

상세 분석

이 연구는 개인 맞춤 가격 책정(personalized pricing) 문제에 두 가지 공정성 차원을 동시에 도입한 점에서 학문적·실무적 의미가 크다. 먼저, 개인 수준에서는 고객이 이웃과 비교했을 때 자신이 더 높은 가격을 부과받는 경우 불공정 인식을 갖는다는 심리적 메커니즘을 정량화하였다. Δ_i 를 이용해 이웃 평균 가격과의 차이를 구하고, tanh 함수를 통해 −1~1 사이의 불공정 인식 지표 η_i 로 변환함으로써, 차이가 클수록(특히 부정적인 방향) 인식이 급격히 증가하도록 설계했다. α와 β 파라미터를 도입해 손실 회피와 이득 추구의 비대칭성을 반영한 점은 행동경제학적 근거와 일치한다.

그 다음, 그룹 수준 공정성은 보호 속성(s_i, 예: 성별·인종)과 가격 사이의 상관관계를 최소화하는 적대적 디바이싱(adversarial debiasing) 모듈을 통해 구현한다. GNN 기반 인코더가 고객 특성과 네트워크 구조를 통합해 임베딩을 생성하고, 이 임베딩을 가격 예측기와 디스크리미네이터에 동시에 전달한다. 디스크리미네이터는 보호 속성을 예측하도록 학습되며, 가격 예측기의 손실에 디스크리미네이터의 예측 정확도를 억제하는 항을 추가함으로써 가격 결정 과정에서 보호 속성의 영향을 감소시킨다. 또한, 가격 정규화(term) 를 도입해 전체 가격 분포의 변동성을 제어하고, 이는 그룹 간 가격 차이를 완화하는 역할을 한다.

수학적으로는 기대 이윤 π_i(p_i) = (p_i−c)·d_i(p_i) 를 최대화하면서, 개인 불공정 인식 η_i(p)·d_i(p_i) 를 페널티로, 그룹 차별을 제한하는 제약식(또는 라그랑주 항) 을 동시에 고려한다. 기존 최적화 기반 방법은 네트워크가 변할 때마다 전역 최적화를 다시 수행해야 하는 반면, 본 프레임워크는 학습된 정책 f_θ(x_i, A) 를 통해 새로운 구조에서도 즉시 가격을 산출한다. 이는 GNN의 인덕티브 학습 능력과 파라미터 공유 메커니즘 덕분에 가능한데, 실험에서는 네트워크에 10% 정도의 노드·엣지 추가/삭제가 발생해도 수익과 공정성 지표가 크게 변동하지 않음을 보였다.

실험 설정은 세 개의 공개 소셜 네트워크 데이터셋(예: Facebook, Twitter, Reddit)과 합성 데이터에 대해 수행되었으며, 비교 대상으로는 (1) 전통적 최적화 기반 개인 맞춤 가격, (2) 개별 공정성만 고려한 GNN 모델, (3) 그룹 공정성만 고려한 적대적 디바이싱 기반 모델을 포함한다. FairPricing은 평균 이윤 5~12% 상승, 개인 불공정 인식 평균 η_i 감소 30% 이상, 그룹 간 평균 가격 차이 40% 이하로 감소시키는 등 전반적으로 우수한 성능을 보였다.

결과적으로, 이 논문은 (1) 개인·그룹 공정성을 동시에 모델링한 새로운 문제 정의, (2) GNN과 적대적 학습을 결합한 실용적인 솔루션, (3) 네트워크 동적 변화에 강인한 정책 전달 메커니즘이라는 세 가지 핵심 기여를 제공한다. 향후 연구에서는 다상품·다채널 환경, 다중 보호 속성(교차성) 고려, 그리고 실시간 가격 제안 시스템과의 연계가 기대된다.