딥러닝 기반 다중 기준 추천 시스템의 혁신: 다중 뷰 그래프와 대조 학습의 만남

본 연구는 다중 기준 추천 시스템(MCRS)을 위한 혁신적인 딥러닝 모델을 제시합니다. 다중 뷰 그래프와 이중 주의 네트워크(MDGAT)를 사용하여 사용자-아이템 관계를 효과적으로 모델링하고, 대조 학습을 통해 추천 정확도를 향상시켰습니다. 실험 결과, 기존 방법보다 우수한 성능을 보였으며, 향후 개인화 추천 시스템 발전에 크게 기여할 것으로 기대됩니다.

온라인 서비스의 발전과 함께 사용자의 취향에 맞는 아이템을 추천하는 추천 시스템이 날마다 중요해지고 있습니다. 하지만 기존의 단일 기준 추천 시스템은 아이템의 다양한 속성을 고려하지 못하는 한계를 가지고 있었습니다. 이러한 문제를 해결하기 위해 등장한 것이 바로 다중 기준 추천 시스템(MCRS) 입니다.

Saman Forouzandeh, Pavel N. Krivitsky, 그리고 Rohitash Chandra가 발표한 최근 연구는 MCRS의 새로운 지평을 열었습니다. 연구진은 다중 뷰 그래프와 이중 주의 네트워크(MDGAT) 를 결합하여 사용자와 아이템 간의 복잡한 관계를 효과적으로 모델링하는 데 성공했습니다. 각각의 엣지는 사용자가 아이템에 대해 평가한 기준을 나타내며, MDGAT는 사용자와 아이템 간의 국소적(기준별) 및 전역적(다중 기준) 관계를 모두 고려합니다.

더 나아가, 연구진은 대조 학습 기법을 도입했습니다. 각 뷰에서 유사성을 기반으로 기준점을 정의하고, 국소적 및 전역적 대조 학습을 통해 각 뷰와 전체 그래프에서 양성 및 음성 샘플을 구분합니다. 이를 통해 추천 정확도를 획기적으로 향상시킬 수 있었습니다.

실제 데이터셋을 이용한 실험 결과, 이 방법은 기존 방법보다 아이템 평점 예측 정확도가 훨씬 높은 것으로 나타났습니다. MDGAT는 이웃 노드의 국소적 및 전역적 영향과 노드 간 유사성을 효과적으로 포착하여, 사용자에게 더욱 정확하고 만족스러운 추천을 제공할 수 있음을 보여주었습니다. 이는 단순히 아이템을 나열하는 것을 넘어, 사용자의 숨겨진 니즈까지 파악하는 진정한 개인화 추천 시스템으로의 도약을 의미합니다.

이 연구는 추천 시스템 분야에 새로운 가능성을 제시하며, 앞으로 더욱 정교하고 개인화된 추천 서비스 개발의 중요한 이정표가 될 것입니다. 다중 뷰 그래프와 대조 학습의 조합은 향후 다양한 분야에서 활용될 수 있으며, 특히 사용자 경험을 극대화하는데 크게 기여할 것으로 기대됩니다.