사용자 유사도와 효율 격차를 동시에 잡는 새로운 공정성 지표 PUF

초록

본 논문은 기존 추천 시스템 공정성 평가가 사용자 유사도와 추천 효율성 중 하나만을 고려한다는 한계를 지적하고, 두 요소를 모두 반영한 Pairwise User unFairness(PUF) 지표를 제안한다. PUF는 사용자 쌍의 유사도 가중치를 적용해 효율성 차이를 측정함으로써, “유사한 사용자는 유사한 효율을 받아야 한다”는 개인 공정성 정의를 충실히 구현한다. 4개 데이터셋·7개 알고리즘 실험을 통해 기존 지표보다 효과·유사도 변화에 민감함을 입증한다.

상세 분석

본 연구는 개인 사용자 공정성(individual user fairness)의 핵심 정의인 “유사한 사용자는 유사하게 대우받아야 한다”를 수학적으로 구체화한다. 기존 연구는 (i) 사용자 간 효율성 점수의 분산(표준편차, Gini, Envy 등)만을 측정하거나, (ii) 사용자 유사도와 추천 아이템 집합의 거리(UF)만을 고려했으며, 두 요소를 동시에 반영하지 못했다. 이러한 불완전성은 실제 시스템에서 “유사한 과거 행동을 가진 사용자가 서로 다른 품질의 추천을 받는 경우”를 포착하지 못한다는 문제를 낳는다.

PUF는 두 단계로 구성된다. 첫째, 사용자 간 유사도 sim(u,u′)를 코사인 유사도 혹은 Jaccard 유사도로 계산한다. 여기서는 사용자‑아이템 상호작용 행렬을 기반으로 한 임베딩을 사용했으며, 유사도는