내생 논리를 활용한 인과 신경‑심볼릭 모델로 설명 가능한 다행동 추천

초록

CNRE는 사용자 행동 사슬(예: 조회→장바구니→구매)에서 내재된 논리를 추출하고, 전방문 조정(Front‑door) 기반 인과 추론을 신경‑심볼릭 연산에 결합해 다행동 추천의 정확도와 설명 가능성을 동시에 향상시킨다. 계층적 선호 전파와 행동 강도에 따른 논리 연산(∧, ∨) 선택을 통해 혼동 변수의 영향을 차단하고, 모델 설계·추론 과정·추천 결과 전 단계에 걸친 다층 설명을 제공한다.

상세 분석

본 논문은 다행동 추천(Multi‑Behavior Recommendation, MBR) 분야에서 ‘설명 가능성’이라는 핵심 요구를 기존의 외부 정보(텍스트, 속성, 지식 그래프) 의존 방식에서 벗어나, 사용자 행동 자체에 내재된 ‘내생 논리’를 활용하는 새로운 패러다임으로 전환한다. 핵심 아이디어는 행동 사슬이 사용자의 선호 강도를 단계적으로 표현한다는 가정 하에, 각 단계(weak→medium→strong)마다 서로 다른 논리 연산을 적용함으로써 인간의 의사결정 과정을 모방한다는 것이다.

1️⃣ 계층적 선호 전파(Hierarchical Preference Propagation)

• 각 행동(예: view, cart, buy)에 대해 별도의 하이퍼그래프를 구성하고, 행동‑별 병렬 인코더와 캐스케이딩 구조를 결합한다.
• ‘적응형 투사(adaptive projection)’ 메커니즘을 도입해 상위 행동(예: view)에서 발생할 수 있는 혼동 변수(confounder)를 하위 행동으로 전달되는 임베딩에서 억제한다. 이는 전방문 조정(FDA)의 첫 번째 조건인 “M이 A와 T로부터만 생성된다”는 요구를 만족시키는 설계이다.

2️⃣ 인과 신경‑심볼릭 추론(Causal Neuro‑Symbolic Reasoning)

• 행동 사슬의 강도에 따라 세 가지 논리 경로를 동적으로 선택한다.
  • 직접 처리: 강한 선호(예: view→cart→buy)에서는 별도 논리 연산 없이 직접 매핑한다.
  • 합성(conjunctive) 경로(∧): 중간 강도(예: view→cart)에서는 두 행동 임베딩을 AND 연산으로 결합해 ‘확증적’ 논리를 만든다.
  • 분리(disjunctive) 경로(∨): 약한 선호(예: 단일 view)에서는 OR 연산을 적용해 보완적 정보를 확보한다.
• 이 과정에서 생성된 ‘인과 매개체(causal mediator) M’은 행동 사슬을 압축한 고차원 표현이며, 전방문 조정의 두 번째 단계인 P(Y|do(M))를 근사한다. 즉, M만을 이용해 최종 예측을 수행함으로써 confounder → Y 경로를 차단한다.

3️⃣ 예측 및 설명

• 최종 예측 레이어는 M을 입력으로 받아 목표 행동(buy)의 발생 확률을 출력한다.
• 설명은 세 단계로 제공된다. (i) 모델 설계 차원에서 전방문 조정 그래프와 계층적 전파 구조가 어떻게 인과적 분리를 보장하는지, (ii) 추론 과정에서 선택된 논리 연산(∧, ∨, direct)과 그 근거(선호 강도), (iii) 최종 추천 아이템에 대한 논리 기반 설명(예: “view와 cart 모두 만족했으므로 구매가 예측됨”).

4️⃣ 실험 및 성능

• Tmall, RetailRocket, 그리고 한 차례 대규모 전자상거래 데이터셋(총 3개)에서 기존 SOTA 모델(예: FENCR, KEMB‑Rec, 다양한 contrastive MBR 모델) 대비 HR@10, NDCG@10 등에서 평균 5~12% 향상을 기록했다.
• 설명 가능성 평가는 인간 평가와 자동화된 논리 일관성 지표를 사용했으며, CNRE가 제공하는 논리 설명이 외부 속성 기반 설명보다 신뢰도와 직관성에서 우수함을 확인했다.

5️⃣ 한계와 향후 연구

• 현재는 행동 사슬이 선형(ordered)이라는 전제에 의존한다. 복합적인 행동 그래프(예: view↔like↔share)에서는 논리 규칙 정의가 복잡해질 수 있다.
• 인과 매개체 M을 더 풍부하게 해석하기 위한 시각화 기법이나, LLM과 결합해 자연어 설명으로 변환하는 연구가 필요하다.

전반적으로 CNRE는 ‘내생 논리’를 인과 추론과 신경‑심볼릭 연산에 자연스럽게 녹여내어, 다행동 추천에서 성능과 설명 가능성을 동시에 달성한 혁신적인 프레임워크라 할 수 있다.