CoCoB: 온라인 추천을 위한 적응형 협업 조합 밴딧 알고리즘

중국과학원 연구팀이 개발한 CoCoB 알고리즘은 기존 클러스터링 밴딧 기반 추천 시스템의 한계를 극복하고, 양면 밴딧 구조와 적응형 전략을 통해 추천 정확도를 2.4% 향상시켰습니다. 베이지안 모델을 활용한 사용자 유사도 평가와 다양한 추천 생성 기능이 특징입니다.

온라인 추천 시스템의 혁신: CoCoB 알고리즘의 등장

온라인 추천 시스템은 사용자의 선호도를 정확하게 파악하여 최적의 상품이나 콘텐츠를 추천하는 것이 핵심입니다. 최근, 이웃 사용자의 정보를 활용하여 사용자의 선호도를 더 잘 파악하는 클러스터링 밴딧 기법이 주목받고 있습니다. 하지만 기존 방법들은 유사 사용자를 명확히 정의하지 못하고, 특이한 선호도를 가진 사용자에게는 적절한 이웃을 찾지 못하는 어려움이 있었습니다. 잘못된 이웃의 정보에 의존하면 추천의 질이 떨어질 수 있다는 문제점도 존재했습니다.

중국과학원 소속 Yan Cairong 박사 연구팀은 이러한 문제점을 해결하기 위해 CoCoB(Adaptive Collaborative Combinatorial Bandits) 알고리즘을 개발했습니다. CoCoB는 사용자와 아이템 양쪽 모두에 밴딧 원리를 적용하는 혁신적인 양면 밴딧 구조를 가지고 있습니다. 사용자 밴딧은 향상된 베이지안 모델을 사용하여 사용자 간 유사도를 탐색하고, 유사도 확률 임계값을 기반으로 이웃을 식별합니다. 아이템 밴딧은 아이템을 팔로 간주하고, 사용자 밴딧의 결과를 바탕으로 다양한 추천을 생성합니다.

CoCoB의 가장 큰 특징은 적응성입니다. 유사 사용자가 존재하면 이웃의 선호도를 활용하고, 그렇지 않으면 타겟 사용자의 선호도에만 집중합니다. 이는 사용자의 개별적인 특성을 보다 정확하게 반영하여 추천의 정확도를 높입니다. 선형 상황 밴딧 설정 하에서의 후회 분석과 세 개의 실제 데이터셋을 이용한 실험 결과, CoCoB는 기존 최고 성능 알고리즘에 비해 평균 F1 스코어를 2.4% 향상시키는 놀라운 성과를 달성했습니다.

CoCoB 알고리즘은 온라인 추천 시스템의 정확도와 효율성을 크게 향상시킬 수 있는 잠재력을 가지고 있으며, 앞으로 추천 시스템 분야의 발전에 크게 기여할 것으로 기대됩니다. 향후 연구에서는 다양한 유형의 데이터와 추천 시스템에 대한 CoCoB의 적용성을 탐구하는 것이 중요할 것입니다. 또한, 알고리즘의 복잡도 및 계산 비용을 줄이기 위한 연구도 필요할 것입니다.