아이템 관계 강화 듀얼 시나리오 대비 학습으로 콜드 스타트 번들 추천

초록

본 논문은 새로 등장하는 번들을 효과적으로 추천하기 위해 아이템 간 관계를 활용한 사용자 프로필 구축과 아이템 인기 기반 번들 임베딩을 결합한 다중 뷰 대비 학습 프레임워크 EpicCBR을 제안한다. 냉·온 시작 시나리오를 동시에 다루는 이중‑시나리오 대비 학습을 통해 기존 방법 대비 최대 387% 향상된 성능을 입증하였다.

상세 분석

EpicCBR은 콜드 스타트 번들 추천이라는 특수한 문제를 해결하기 위해 세 가지 핵심 기술을 결합한다. 첫째, UI(사용자‑아이템)와 BI(번들‑아이템) 그래프에서 아이템 쌍 간의 관계를 정밀하게 추출한다. 저자들은 Jaccard 유사도를 기반으로 ‘동일‑클래스’, ‘보완‑관계’, ‘디자인‑주도’, ‘반대‑클래스’ 네 가지 유형을 정의하고, 각각에 대해 고·저·반대 임계값을 설정해 노이즈를 최소화한다. 특히 보완‑관계(R2)는 UI 그래프에 추가적인 아이템‑아이템 엣지를 삽입함으로써 사용자‑아이템 뷰를 강화하고, 이를 LightGCN 전파 과정에 매트릭스 곱으로 통합한다. 이렇게 강화된 UI 뷰는 기존 협업 신호가 부족한 상황에서도 사용자의 잠재 선호를 추정할 수 있게 한다.

둘째, 아이템 인기 기반 번들 임베딩을 설계한다. UI 인기(pop_U)와 BI 인기(pop_B) 두 축을 결합해 아이템의 전체 인기 점수를 산출하고, 장기 꼬리 분포를 보정하기 위해 중위값 기반 구간별 선형 스케일링을 적용한다. 이후 각 번들‑아이템 엣지에 이 조정된 인기 가중치를 부여해 인기‑인식 BI 그래프(Ĝ_BI)를 만든다. 이 그래프는 사용자‑번들 상호작용이 전무한 콜드 스타트 번들을, 인기 아이템들의 집합으로 효과적으로 표현한다.

셋째, 냉·온 시작 시나리오를 각각 전용 모듈(Cold‑Path, Warm‑Path)로 구성하고, 다중 뷰 대비 학습을 통해 두 모듈의 임베딩을 정렬한다. Cold‑Path는 강화된 UI 뷰와 인기‑인식 BI 뷰를 LightGCN으로 인코딩하고, Warm‑Path는 기존 UB/UI/BI 상호작용을 동일한 LightGCN 구조로 처리한다. 이후 번들‑사용자 임베딩 쌍에 대해 대조 손실(contrastive loss)을 적용해 두 시나리오 간 표현 일관성을 강제한다. 최종 추천 점수는 ⟨e_u, e_b⟩ 내적으로 계산되며, 이는 양쪽 시나리오에서 학습된 정보를 자연스럽게 통합한다.

실험에서는 Amazon Food, Electronics, Clothing 등 세 개의 대규모 벤치마크를 사용했으며, 기존 SOTA 모델(MultiCBR, Coheat 등) 대비 Cold‑Start Recall@10, NDCG@10에서 최대 387%까지 우수한 결과를 보였다. 특히 아이템 관계 마이닝과 인기‑인식 그래프가 각각 단독으로 적용될 때보다 결합했을 때 성능 향상이 크게 나타났다.

강점으로는 (1) 아이템 관계를 정량화해 사용자 프로필을 풍부하게 만들고, (2) 인기 편향을 정교히 보정해 콜드 스타트 번들을 효과적으로 표현한다는 점, (3) 두 시나리오를 하나의 대비 학습 프레임워크에 통합해 온·오프라인 모두에서 일반화 능력을 확보한다는 점을 들 수 있다. 반면 제한점으로는 (①) 관계 마이닝 단계에서 Jaccard 임계값을 데이터셋마다 튜닝해야 하는 실용적 부담, (②) LightGCN 기반 전파가 깊은 그래프 구조에 취약할 수 있어 복잡한 사용자‑아이템·번들‑아이템 상호작용을 완전히 포착하지 못할 가능성, (③) 인기‑인식 스케일링 함수가 경험적 파라미터에 크게 의존한다는 점이 있다. 향후 연구에서는 자동 임계값 학습, GNN 구조의 심층화, 그리고 메타러닝을 통한 파라미터 최적화를 탐색할 여지가 있다.