AsarRec: 사용자 맞춤형 증강 학습으로 강건한 순차 추천 시스템 구축

초록

본 논문은 실제 사용자 행동 데이터의 노이즈로 인해 성능이 저하되는 순차 추천 시스템의 문제를 해결합니다. 기존 자기지도학습 방법이 고정된 데이터 증강 전략에 의존하는 한계를 지적하고, 사용자와 시나리오에 따라 적응적으로 최적의 증강 방법을 학습하는 AsarRec 프레임워크를 제안합니다. 변환 행렬을 통한 통합 증강 표현과 세 가지 최적화 목표(다양성, 의미 불변성, 정보성)를 통해 다양한 노이즈 환경에서도 강건한 성능을 입증했습니다.

상세 분석

본 논문의 핵심 기술적 기여는 기존의 휴리스틱하고 정적인 데이터 증강 방식을 학습 가능하고 적응적인 체계로 전환한 데 있습니다. 주요 분석 포인트는 다음과 같습니다.

1. 통합 행렬 기반 증강 프레임워크: Crop, Mask, Reorder 등 이질적으로 보이는 다양한 증강 연산을 ‘준-이중 확률 행렬(Semi-Doubly Stochastic Matrix)‘이라는 하나의 수학적 형식으로 통합했습니다. 이는 증강을 원본 시퀀스에 대한 구조화된 선형 변환(𝑠′ = 𝑀·𝑠)으로 재정의하여, 증강 자체를 최적화 가능한 객체로 만드는 토대를 마련했습니다.

2. 미분 가능한 하드 변환 학습: 강한 제약 조건(0 또는 1의 원소, 행/열 합 제약)을 가진 이산 행렬 𝑀을 직접 학습하는 것은 그래디언트 소실이나 불안정성을 초래합니다. AsarRec는 이 문제를 ‘확률적 변환 행렬’을 예측한 후, 미분 가능한 ‘Semi-Sinkhorn’ 알고리즘을 통해 이를 목표하는 하드 제약 행렬로 투영하는 2단계 방식을 채택했습니다. 이를 통해 end-to-end 학습이 가능해졌습니다.

3. 증강 품질을 보장하는 3중 손실 함수: 단순히 변환 행렬을 생성하는 것을 넘어, 생성된 증강이 추천 성능 향상에 실질적으로 기여하도록 세 가지 목표를 동시에 최적화합니다.

   • 다양성: 서로 다른 뷰를 생성하는 변환 행렬 간의 차이를 최대화하여 풍부한 자기지도 신호를 제공합니다.
   • 의미 불변성: 변환이 초래하는 아이템 간 순서 왜곡을 제한하여 시퀀스의 본질적인 의미(사용자 의도)가 손상되지 않도록 합니다.
   • 정보성: 가장 구분하기 어려운(즉, mutual information을 최소화하는) 뷰를 생성하도록 유도하여 모델이 진정으로 강건한 표현을 학습하도록 촉진합니다.

4. 실험적 통찰: 논문은 정적 증강의 한계를 명확히 보여주는 Figure 1이 인상적입니다. 동일한 Mask 연산이 Games 데이터셋에서는 긍정적 효과를 보이지만 MIND에서는 성능을 하락시킵니다. 이는 데이터셋의 특성(예: 아이템 간 의존성 강도, 노이즈 분포)에 따라 최적의 증강 전략이 크게 달라질 수 있음을 시각적으로 증명하며, AsarRec와 같은 적응형 접근법의 필요성을 강력하게 뒷받침합니다.

종합하면, AsarRec는 자기지도 순차 추천 분야에서 ‘어떻게 증강할 것인가’라는 근본적인 메타 문제를 머신러닝 최적화 문제로 성공적으로 재정의한 혁신적인 연구입니다. 데이터 증강을 모델의 고정된 전처리 단계에서, 모델이 데이터 컨텍스트를 이해하고 상황에 맞게 조정하는 적응형 컴포넌트로 격상시켰다는 점에서 큰 의의가 있습니다.