효과적인 부정 샘플링 플러그인으로 긍정 샘플 쌍 구축

초록

본 논문은 기존 부정 샘플링 기반 암시적 협업 필터링에서 간과된 긍정 샘플의 질을 향상시키기 위해, 전역·지역 패턴을 결합한 가중 사용자‑아이템 그래프를 구축하고, 복제 기반 재가중을 통해 신뢰도 높은 긍정 샘플 쌍을 생성한다. 또한 사용자 활동 편향을 보정하는 가중치를 도입해 비활성 사용자 학습을 강화한다. 이 플러그인(PSP‑NS)은 다양한 암시적 CF 모델에 적용 가능하며, 이론적 마진 개선 분석과 실험을 통해 추천 정확도(P@k, R@k)를 크게 향상시킴을 입증한다.

상세 분석

PSP‑NS는 부정 샘플링 과정에서 “긍정” 신호를 어떻게 보강할 것인가에 초점을 맞춘 혁신적인 설계이다. 먼저 원본 사용자‑아이템 이진 행렬 A를 행·열 차원 정규화한 뒤, 랜덤화 SVD를 적용해 전역적인 상호작용 패턴을 추출한다. 이때 q개의 특이값만 유지함으로써 계산 비용을 크게 낮추면서도 잠재적인 협업 구조를 보존한다. 전역 잠재 요인으로부터 각 사용자의 선호 임베딩을 얻고, 사용자의 실제 상호작용 수에 비례하는 K값을 동적으로 설정해 적응형 이웃 선택을 수행한다. 이렇게 얻은 G_SVD는 전역 패턴에 부합하는 후보 아이템을 추가하지만, 로컬(관측) 신호와 충돌할 가능성이 있다. 이를 보완하기 위해 원본 그래프 G와 G_SVD를 병합해 가중 그래프 ˆG를 만든다. 여기서 edge weight ˆW(u,p)는 두 그래프 모두에 존재하면 높은 신뢰도 s(예: s>1)로, 하나만 존재하면 기본값 1로 설정한다.

이후 복제 기반 재가중 단계에서 ˆW가 s인 경우 해당 (u,p) 쌍을 s번 복제해 긍정 샘플 PSP에 삽입한다. 단순히 손실에 s배 가중치를 주는 것이 아니라, 복제된 각각이 서로 다른 부정 샘플과 매칭되면서 다중의 독립적인 트리플을 생성한다. 이는 BPR‑style 로지스틱 손실에서 마진(margin) 개선 효과를 증폭시키는 메커니즘으로, 논문은 기대 마진 증가량이 (1‑σ(m))·∥∇_θ m∥²에 비례함을 증명한다. 즉, 신뢰도가 높은 긍정 샘플이 많을수록 마진이 크게 늘어나고, 이는 P@k·R@k와 같은 순위 지표의 향상으로 직접 연결된다.

또한 사용자 활동 편향을 완화하기 위해 비활성 사용자를 상향 가중(t_u)한다. t_u는 로그 역함수 형태 1/log(a·|P̂_G_u|+1)로 정의되며, a는 민감도 파라미터다. 이 가중치는 손실 함수에 곱해져 비활성 사용자의 마진 개선 기여도를 선형적으로 확대한다. 따라서 데이터셋 전반에 걸쳐 활동도가 낮은 사용자에 대한 추천 품질이 크게 상승한다.

이론적 분석 외에도 실험에서는 Yelp, Amazon, MovieLens 등 4개 실제 데이터에 PSP‑NS를 BPR, NeuMF, LightGCN 등 다양한 베이스 모델과 결합하였다. 결과는 Recall@30과 Precision@30에서 최고 32%·23% 향상을 기록했으며, 기존 denoising 기법(DeCA, PLD 등)보다 일관되게 우수했다. 또한 부정 샘플링 방법 자체를 교체해도 성능 향상이 유지돼 플러그인의 범용성을 입증한다.

요약하면, PSP‑NS는 (1) 전역·지역 정보를 융합한 가중 그래프 구축, (2) 신뢰도 기반 복제 재가중, (3) 활동 편향 보정이라는 세 가지 핵심 요소를 통해 긍정 샘플의 품질과 양을 동시에 증대시킨다. 이 설계는 마진 기반 이론과 실증 결과 모두에서 추천 순위 향상을 보장한다는 점에서, 기존 부정 샘플링 연구에 새로운 패러다임을 제시한다.