관측 순위로부터 선호 학습

초록

본 논문은 소비자들의 부분 순위 데이터를 쌍별 비교 형태로 해석하고, 로지스틱 선택 확률을 이용해 개인별 선호를 추정하는 프레임워크를 제시한다. 잠재 효용을 제품 속성, 아이템 고정 효과, 저차원 사용자‑아이템 요인으로 구성하고, 노출 편향을 보정하기 위해 아이템별 관측 가능성(propensity)을 로지스틱 모델로 추정한다. 추정된 propensity를 역확률 가중(IPW)으로 활용해 정규화된 로그우도 함수를 최대화하고, 가중치에 비례해 샘플링하는 SGD 알고리즘으로 대규모 데이터에 적용한다. 와인 온라인 거래 데이터 실험에서 인기 기반 베이스라인보다 추천 정확도가 크게 향상되었으며, 특히 이전에 구매하지 않은 제품 예측에서 강한 이점을 보였다.

상세 분석

이 연구는 기존 순위 기반 선호 추정 방법이 갖는 두 가지 주요 한계를 동시에 해결한다. 첫째, 순위는 실제로는 아이템 간의 쌍별 비교 집합으로 해석될 수 있다는 점을 이용해 로지스틱 선택 모델을 적용한다. 이는 Bradley‑Terry‑Luce(BTL) 모델과 유사하지만, 여기서는 효용을 선형 결합 형태로 명시적으로 분해한다. 효용 u_{ui}=x_i^{\top}\beta_u+α_i+γ_{ui} 로 정의되는데, x_i는 제품 속성 벡터, β_u는 사용자별 속성 가중치, α_i는 아이템 고정 효과, γ_{ui}=p_u^{\top}q_i는 저차원 잠재 요인이다. 이렇게 하면 해석 가능한 파라미터와 협업 필터링 효과를 동시에 확보한다.

둘째, 관측된 비교는 두 아이템이 모두 사용자의 고려 집합에 포함될 때만 기록된다. 이는 ‘노출 편향(exposure bias)’을 초래해 자주 노출되는 아이템이 과대평가되는 문제를 만든다. 저자들은 아이템 i의 관측 가능성 π_i를 로지스틱 회귀로 모델링하고, 관측된 비교 (i,j) 의 확률을 π_i·π_j 로 근사한다. 이후 역확률 가중(IPW) w_{ij}=1/(π_iπ_j) 를 도입해 전체 비교 모집단에 대한 무편향 추정량을 만든다. 가중치가 큰 희소 비교는 샘플링 확률을 높여 SGD에서 효율적으로 다루어진다.

알고리즘 측면에서는 전체 로그우도 L(θ)=∑{observed} w{ij}·log σ(u_{ui}−u_{uj})−λ‖θ‖2^2 를 최대화한다. 여기서 σ는 시그모이드 함수이며, λ는 릿지 정규화 파라미터다. SGD는 매 반복마다 w{ij}에 비례해 비교를 무작위 추출하고, 해당 비교에 대한 그라디언트를 업데이트한다. 이 방식은 가중치가 큰 비교를 더 자주 학습함으로써 편향 보정 효과를 자연스럽게 통합한다.

실증 분석에서는 미국 온라인 와인 소매업체의 트랜잭션 로그를 사용한다. 데이터는 고객별 구매 순위(구매 전후 순서)와 노출 로그(검색·클릭 기록)를 포함한다. 베이스라인으로는 단순 인기 기반 추천과, 관측 편향을 무시한 BTL 기반 모델을 사용한다. 평가 지표는 Top‑K 정확도와 NDCG이며, 제안 모델은 특히 Top‑510 구간에서 812%의 상대적 개선을 보인다. 특히, 이전에 구매 이력이 없는 ‘새로운’ 와인에 대한 예측 정확도가 15% 이상 상승해, 콜드 스타트 문제 해결에 기여한다는 점이 주목할 만하다.

이 논문은 (1) 효용 구조를 해석 가능하게 설계하고, (2) 관측 편향을 확률적 가중치와 샘플링을 통해 보정하며, (3) 대규모 데이터에 적용 가능한 효율적인 SGD 구현을 제공한다는 점에서 선호 학습 분야에 중요한 진전을 제공한다. 향후 연구에서는 시간에 따른 고려 집합 변화 모델링, 다중 비교(>2) 확장, 그리고 비선형 효용 함수 도입 등을 통해 모델의 일반성을 더욱 확대할 수 있을 것이다.