BiCoRec: 사용자 취향 변화를 읽는 인기 편향 제거 추천 모델

초록

본 연구는 순차적 추천 시스템의 고질적 문제인 ‘인기 편향’을 해결하는 새로운 프레임워크 BiCoRec를 제안한다. 사용자의 과거 아이템 시퀀스와 아이템의 인기도 정보를 co-attention 메커니즘으로 결합해 인기 가중 사용자 표현을 생성하고, 미래 선호도를 예측하는 ‘교차-유사 감독’ 학습 기법을 도입했다. 특히 니치 아이템을 선호하는 사용자의 추천 성능을 기존 최고 모델 대비 평균 26% 향상시켰다.

상세 분석

BiCoRec의 기술적 핵심은 세 가지로 요약된다. 첫째, ‘인기도 인식 임베딩’을 통해 사용자 시퀀스 내 아이템들의 인기도 편향을 명시적으로 인코딩한다. 이는 단순히 아이템의 빈도수를 넘어, 시퀀스 내에서의 상대적 인기도 맥락을 포착한다.

둘째, ‘Co-Attention 기반 가중치 조정’ 메커니즘이다. 기존 어텐션은 아이템 간의 연관성에만 주목하지만, BiCoRec는 아이템 임베딩과 인기도 임베딩 간의 co-attention을 수행한다. 이를 통해 모델은 사용자의 역사적 시퀀스에서 인기 아이템과 니치 아이템에 대한 상대적 중요도를 동적으로 재조정할 수 있다. 예를 들어, 시간이 지남에 따라 니치 아이템 선호도가 증가하는 사용자에게는 co-attention이 니치 아이템에 더 높은 가중치를 부여하도록 학습된다.

셋째, ‘미래 선호도 예측’을 위한 새로운 학습 패러다임이다. 기존 순차 추천이 다음 단일 아이템을 예측하는 데 그쳤다면, BiCoRec는 ‘교차-유사 감독’ 방식을 채택해 향후 여러 아이템 시퀀스를 예측한다. 두 개의 동일한 구조를 가진 모델이 서로의 예측을 유사 레이블(psuedo-label)로 사용하여 학습하는 이 방식은 레이블이 없는 미래 아이템(패딩된 항목)으로부터도 학습 신호를 추출할 수 있다. 이는 논문에서 실증적으로 확인된 “사용자가 시간이 지날수록 니치 아이템을 선호하게 된다"는 진화적 패턴을 모델이 사전에 대비하고 학습할 수 있게 하는 핵심 장치다.

종합적으로, BiCoRec는 인기도라는 메타 정보를 시퀀스 모델링 프로세스에 깊이 통합함으로써, 정적 편향 제거를 넘어 사용자 선호도의 동적 변화 패턴에 적응하는 적응형 편향 완화 모델을 구현했다는 점에서 의미가 크다.