웨이블릿 하이퍼그래프 확산 기반 추천 시스템: 이종성 문제 해결의 새로운 지평

석웅비, 응웬 탄탐 연구원이 개발한 FWHDNN 모델은 웨이블릿 하이퍼그래프 확산을 이용하여 추천 시스템의 이종성 문제를 해결하는 획기적인 방법을 제시합니다. 실험 결과 최첨단 성능을 입증하여 추천 시스템 발전에 크게 기여할 것으로 기대됩니다.

개인 맞춤형 경험을 제공하는 추천 시스템은 오늘날 다양한 분야에서 핵심적인 역할을 수행합니다. 하지만 사용자와 아이템 간 상호 작용의 다차원적 특성과 이종성 패턴(heterophily patterns, 서로 다른 특징을 가진 노드들이 연결되는 현상)을 정확하게 포착하는 것은 여전히 어려운 과제입니다.

서강대학교 박사과정의 석웅비 연구원과 응웬 탄탐 연구원은 이러한 문제를 해결하기 위해 혁신적인 프레임워크인 FWHDNN(Fusion-based Wavelet Hypergraph Diffusion Neural Networks) 을 제안했습니다. 이 모델은 하이퍼그래프 기반 추천 작업에서 표현 학습을 발전시키는 것을 목표로 합니다.

FWHDNN은 세 가지 핵심 구성 요소로 이루어져 있습니다.

1. 교차 차이 관계 인코더 (Cross-difference Relation Encoder): 이종성을 고려한 하이퍼그래프 확산을 활용하여 다양한 클래스 레이블에 대한 메시지 전달을 적응적으로 조정합니다. 다양한 종류의 사용자와 아이템 간의 복잡한 관계를 효과적으로 학습할 수 있도록 설계되었습니다.
2. 다층 클러스터별 인코더 (Multi-level Cluster-wise Encoder): 웨이블릿 변환 기반 하이퍼그래프 신경망 계층을 사용하여 다중 스케일 위상 관계를 포착합니다. 다양한 크기와 수준의 연결 패턴을 모두 파악하여 더욱 정교한 추천을 가능하게 합니다.
3. 통합 다모달 융합 메커니즘 (Integrated Multi-modal Fusion Mechanism): 중간 및 후기 융합 전략을 통해 구조적 정보와 텍스트 정보를 결합합니다. 사용자의 선호도를 더욱 정확하게 파악하기 위해 다양한 정보원을 통합적으로 활용합니다.

실제 데이터셋을 사용한 광범위한 실험 결과는 FWHDNN이 정확성, 견고성, 확장성 면에서 최첨단 방법들을 능가함을 보여줍니다. 특히 사용자와 아이템 간의 고차원 상호 연결을 포착하는 데 뛰어난 성능을 나타냈습니다. 이는 사용자의 취향을 더욱 정확하게 예측하고 개인 맞춤형 추천 서비스의 질을 향상시킬 수 있는 잠재력을 시사합니다.

이 연구는 추천 시스템 분야에 중요한 기여를 하며, 향후 개인화된 서비스 개발에 폭넓은 영향을 미칠 것으로 예상됩니다. 특히 이종성 문제 해결에 새로운 돌파구를 제시하여 추천 시스템의 성능 향상에 크게 기여할 것으로 기대됩니다.