딥러닝 한계 뛰어넘는 그룹 추천 시스템 등장: Group-GF의 혁신

김채현, 최윤경, 박진덕, 신원용 연구원팀이 개발한 Group-GF는 다중 뷰 그래프 필터링을 활용하여 기존 DNN 기반 그룹 추천 시스템의 한계를 극복했습니다. 실행 속도를 대폭 향상시키면서 최첨단 수준의 추천 정확도를 달성하여, 효율적이고 정확한 그룹 추천 시스템의 새로운 시대를 열었습니다.

온라인 서비스에서 개인 맞춤형 추천은 이제 필수가 되었습니다. 하지만 개인이 아닌, 여러 사람으로 구성된 그룹에 대한 맞춤형 추천은 여전히 풀기 어려운 숙제였습니다. 김채현, 최윤경, 박진덕, 신원용 연구원 팀은 최근 'Member-Group 관계를 활용한 다중 뷰 그래프 필터링을 통한 효과적인 그룹 추천(Leveraging Member-Group Relations via Multi-View Graph Filtering for Effective Group Recommendation)' 이라는 논문을 통해 이 문제에 대한 획기적인 해결책을 제시했습니다.

기존의 그룹 추천 시스템은 대부분 딥 뉴럴 네트워크(DNN) 기반으로, 구성원 간의 복잡한 상호 작용을 포착하기 위해 고안되었습니다. 하지만 DNN 기반 시스템은 구성원 간의 상호 작용뿐 아니라 그룹 수준의 상호 작용까지 고려해야 하므로, 복잡하고 비용이 많이 드는 훈련 과정이 필요하다는 단점이 있었습니다.

연구팀은 이러한 한계를 극복하기 위해 Group-GF 라는 새로운 접근 방식을 제안합니다. Group-GF는 다중 뷰 그래프 필터링(Multi-view Graph Filtering) 기법을 사용하여 복잡한 구성원-그룹 역학을 종합적으로 파악하면서도, 값비싼 모델 훈련 없이 각 그룹에 대한 아이템 추천을 매우 빠르게 제공합니다.

Group-GF는 세 가지 아이템 유사도 그래프를 구축하여 그래프 필터링을 위한 다양한 관점을 제공합니다. 각 유사도 그래프에 대해 고유한 다항 그래프 필터를 생성하고, 이들을 신중하게 통합하여 최종 추천 결과를 도출합니다. 이는 단순히 개별 구성원의 선호도를 합산하는 것보다 훨씬 정교한 그룹의 취향을 반영할 수 있도록 설계되었습니다.

연구팀은 광범위한 실험을 통해 Group-GF의 효과를 입증했습니다. 그 결과, 실행 시간이 현저히 감소하면서 동시에 최첨단 추천 정확도를 달성하는 것을 확인했습니다. 이는 그룹 추천 시스템의 속도와 정확성이라는 두 마리 토끼를 모두 잡은 셈입니다.

이번 연구는 그룹 추천 시스템의 발전에 중요한 이정표를 세운 것으로 평가되며, 향후 다양한 분야에서 그룹 맞춤형 서비스 제공에 혁신을 가져올 것으로 기대됩니다. 특히, 실시간으로 빠른 응답이 필요한 서비스나 대규모 그룹을 대상으로 하는 서비스에 큰 영향을 미칠 것으로 예상됩니다. Group-GF의 등장은 더욱 효율적이고 정확한 그룹 추천 시스템 시대를 예고합니다.