본 문서에서는 2024년 WWW 학회에 발표될 "Cold-start Bundle Recommendation via Popularity-based Coalescence and Curriculum Heating" 논문을 소개합니다. 논문에 대한 상세한 정보는 다음과 같습니다.
- Title : Cold-start Bundle Recommendation via Popularity-based Coalescence and Curriculum Heating
- Authors: Hyunsik Jeon, Jong-eun Lee, Jeongin Yun, and U Kang
- Conference: The Web Conference (WWW) 2024
Cold-start Bundle Recommendation
추천 시스템(recommender system)은 사용자가 관심 가질 만한 아이템을 제안함으로써 사용자 만족도 제고와 비즈니스 목표 달성에 중요한 역할을 합니다. 최근 추천 시스템 분야에서 번들 추천(bundle recommendation)은 개별 아이템 대신 아이템의 묶음을 사용자에게 추천하는 그 특성 때문에 산업계와 학계에서 상당한 주목을 받고 있습니다. 특히 사용자에게 새로운 번들을 추천하는 콜드스타트(cold-start) 번들 추천은 새로운 번들이 끊임없이 만들어지는 실제 세계에서 중요한 문제로 간주됩니다.
그러나 기존의 번들 추천 기법들은 모든 번들이 과거 상호 작용 정보를 가지고 있는 웜스타트(warm-start) 상황에 맞게 설계되었습니다. 이러한 기법들은 번들 표현을 학습하기 위해 과거 상호 작용 정보에 의존하기 때문에, 과거 사용자-번들 상호 작용이 없는 콜드 번들의 표현에 한계가 있습니다. 한편, 아이템 추천을 위한 콜드스타트 기법들은 번들 추천에서 겪는 상호 작용의 고도로 편중된 분포 문제를 명시적으로 고려하지 못하여 콜드스타트 번들 추천 상황에 효과적이지 못한 한계가 있습니다.
본 논문에서는 기존 기법들이 해결하지 못한 콜드스타트 번들 추천 문제를 다룹니다. 해당 문제의 입력으로 사용자-번들 상호 작용(예: 구매 혹은 클릭) 데이터, 사용자-아이템 상호 작용 데이터, 번들-아이템 구성 데이터가 주어졌을 때, 각 사용자에게 향후 상호 작용할 가능성이 높은 번들 k개를 추천합니다. 이때 높은 정확도를 달성하면서 사용자-번들 상호 작용이 없는 콜드 번들에 대해서도 추천하는 것을 목표로 합니다.
Proposed Method
콜드스타트 번들 추천 문제에서 높은 성능을 달성하기 위해 다음의 문제점들을 해결해야 합니다.
- 고도로 편중된 사용자-번들 상호 작용 분포 다루기
- 사용자-아이템 관점의 표현을 효과적으로 학습하기
- 사용자-번들 관점 표현과 사용자-아이템 관점 표현 간의 조정
저자들은 콜드스타트 번들 추천을 위한 정확한 방법으로 CoHeat를 제안하며, 아래의 핵심 아이디어들을 활용해 앞서 언급한 문제점들을 해결합니다.
- (인기도 기반 결합) 번들에 대한 사용자의 선호도 추정 시, 인기도(상호 작용 수)가 낮은 번들일수록 사용자-번들 관점 보다 사용자-아이템 관점의 점수에 더 가중치를 둡니다.
- (커리큘럼 가열) 사용자와 번들의 표현 학습 시, 점차 사용자-번들 관점에서 사용자-아이템 관점으로 가중치를 둡니다.
- (표현의 정렬과 균일성) 사용자-번들 관점과 사용자-아이템 관점의 조화를 위해 표현의 정렬과 균일성을 고려하는 학습 방법을 이용합니다.
그림 1. CoHeat의 전반적인 모델 구조
그림 1은 CoHeat의 전반적인 모델 구조를 나타내고 있습니다. 사용자-번들과 사용자-아이템 상호 작용 정보, 번들-아이템 구성 정보가 주어졌을 때, CoHeat는 사용자-번들과 사용자-아이템, 총 두 가지 그래프 기반의 관점을 형성합니다. 해당 모델은 번들의 인기도에 기반해 두 관점의 점수로부터 사용자-번들 최종 선호 점수를 예측합니다. 훈련 과정에서 CoHeat는 사용자-번들 관점에서 점차 사용자-아이템 관점 쪽으로 주목하게 되며, 두 관점의 표현을 조정하기 위해 정렬과 균일성 손실 함수를 이용합니다. 각 과정의 핵심 내용에 대해 아래에서 설명하도록 하겠습니다.
그래프 기반 관점들(Graph-based Views)
번들 추천의 목표를 달성하기 위해 사용자와 번들의 잠재적인 표현을 학습하고, 둘 사이의 관계를 추정할 수 있습니다. 이때 그래프 기반의 관점을 통해 더 효과적으로 표현을 학습할 수 있습니다. 사용자-번들 관점에서는 사용자-번들 그래프로부터 사용자와 번들의 표현을 학습합니다. 또한 사용자-아이템 관점에서는 사용자-아이템, 번들-아이템 그래프로부터 사용자와 번들의 표현을 학습합니다.
인기도 기반 결합(Popularity-based Coalescence)
사용자에게 번들을 추천하기 위해, 본 연구의 목표는 두 개의 다른 관점에서 파생된 점수를 사용하여 사용자와 번들 사이의 최종 점수를 추정합니다. 이때 번들의 인기도에 기반하여 두 관점의 표현에 서로 다른 가중치를 부여하여 고도로 편중된 상호 작용 분포를 고려할 수 있습니다. 구체적으로, 번들의 인기도가 낮을수록 사용자-번들 관점보다 사용자-아이템 관점에 더 높은 가중치를 부여합니다.
커리큘럼 가열(Curriculumn Heating)
사용자-아이템 관점이 제공하는 풍부한 정보에도 불구하고, 번들의 여러 아이템들이 사용자-아이템 표현의 학습을 복잡하게 만듭니다. 이 문제는 번들의 정확한 표현을 위해 구성 아이템들의 표현이 잘 학습되어야 한다는 점에서 발생합니다. 반면 사용자-번들 관점 표현은 상대적으로 쉽게 학습할 수 있습니다. 이런 단순성은 번들의 복잡한 구성을 이해하는 대신 각 번들의 역사적 특성을 단일 임베딩에 포장하기 때문에 생깁니다. 따라서 본 아이디어는 처음에는 사용자-번들 관점 표현의 훈련에 초점을 맞추고, 점차적으로 사용자-아이템 관점 표현으로 초점을 이동하는 커리큘럼 학습 접근법을 활용합니다.
표현의 정렬과 균일성(Representation Alignment and Uniformity)
사용자-번들 관점과 사용자-아이템 관점은 다른 표현을 포착하도록 만들어졌지만, 두 관점을 정렬하는 것은 소속 관점 표현만을 기반으로 콜드스타트 번들의 미래 상호작용을 예측할 때 중요합니다. 이를 달성하기 위해, 두 관점을 조화시키는 대조 학습 기반 접근법을 활용하며 정렬 손실과 균일성 손실을 사용합니다. 구체적으로 정렬 손실은 동일한 사용자/번들에 대해서 두 관점의 임베딩이 서로 가까워지게 하고, 균일성 손실은 서로 다른 사용자/번들 간의 두 관점의 임베딩이 서로 떨어지도록 설계됩니다.
Experiments
저자들은 제안하는 모델의 우수성을 입증하기 위해 기존의 기법들과의 비교 실험 결과를 제시합니다. 분 문서에서는 가장 중요한 실험 결과인 콜드스타트 기법과의 성능 비교 결과, 웜스타트 기법과의 성능 비교 결과 각각에 대해 다루도록 하겠습니다.
표 1. 콜드스타트 기법과의 성능 비교
첫 번째 실험은 콜드, 웜, 모든 번들 추천 시나리오에서 CoHeat와 기존의 콜드스타트 아이템 추천 기법을 비교합니다. 표 1에서 볼 수 있듯이 결과는 CoHeat가 모든 데이터셋과 시나리오에서 일관되게 베이스라인을 능가함을 보여줍니다. 특히 CoHeat는 콜드 번들과 웜 번들이 같이 등장하는 모든 번들 추천 시나리오에선 iFashion 데이터셋에 대해서 최고의 경쟁자인 CCFCRec에 비해 193% 더 높은 성능을 달성합니다.
표 2. 웜스타트 기법과의 성능 비교
두 번째 실험에서는 웜스타트 번들 추천 상황에서 CoHeat와 기존의 웜스타트 추천 기법을 비교합니다. CoHeat는 콜드스타트 번들 추천을 위해 설계되었지만, 웜스타트 번들 추천 상황에서도 모든 베이스라인을 능가합니다.
Conclusion
본 문서에서는 WWW에서 발표될 "Cold-start Bundle Recommendation via Popularity-based Coalescence and Curriculum Heating" 논문을 소개했습니다. 해당 논문은 콜드스타트 번들 추천을 위한 정확한 방법인 CoHeat를 제안했습니다. CoHeat는 사용자-번들 및 사용자-아이템 관점을 전략적으로 활용하여 번들 상호 작용의 고도로 편중된 분포를 처리합니다. 덜 인기 있는 번들에 대해 사용자-아이템 관점을 강조함으로써, CoHeat는 희소한 사용자-번들 관점보다 풍부한 정보를 효과적으로 포착합니다. 커리큘럼 학습의 도입은 학습 과정을 더욱 효과적으로 강화하는데, 간단한 사용자-번들 관점 임베딩에서 시작하여 더 복잡한 사용자-아이템 관점 임베딩으로 점차 전환합니다. 또한 CoHeat의 대조 학습은 두 관점의 표현 학습을 강화하여, 더 풍부한 관점에서 더 희소한 관점으로의 효과적인 지식 전달을 촉진합니다. 실험을 통해 CoHeat는 콜드스타트 번들 추천에서 최첨단 성능을 제공하며, 최고의 경쟁자에 비해 최대 193% 더 높은 성능 달성을 보여줬습니다.
이러한 기술을 실생활에서 활용할 경우 새롭게 번들이 생성되는 다양한 전자 상거래 플랫폼에 도입하여 플랫폼의 수익을 증진시키고, 사용자 경험을 향상 시키는 데에 큰 도움이 될 것으로 기대됩니다. 더불어 여행 업계의 패키지 상품이나 교육 분야의 학습 패키지 등에 대해서도 효과적인 추천이 가능할 것으로 기대할 수 있습니다. 본 논문에 대한 자세한 정보는 다음 링크에서 확인할 수 있습니다. [링크]