Impression-Aware Recommender Systems

이 논문은 추천 시스템에 나타나는 '인상 (impressions)' 데이터를 활용하는 연구들을 체계적으로 검토하여, 이를 통합하는 이론적 프레임워크와 '인상 인지형 추천 시스템'이라는 새로운 패러다임을 제시하고 향후 연구 방향을 제시합니다.

핵심

이 논문은 **"추천 시스템이 사용자에게 무엇을 보여줬는지 (노출, Impression) 를 기억하고 학습하는 새로운 방식"**에 대한 연구입니다.

기존의 추천 시스템이 "사용자가 무엇을 클릭했거나 샀는지 (상호작용, Interaction)"만 보고 "다음엔 뭐를 보여줄까?"를 고민했다면, 이 논문은 **"사용자가 클릭하지 않은 것도 포함해서, 화면에 어떤 것들이 줄지어 보여졌는지 (노출) 를 모두 기록하고 분석하자"**고 제안합니다.

이 복잡한 개념을 쉽게 이해할 수 있도록 **'식당 메뉴판'**과 **'마술사'**에 비유해서 설명해 드릴게요.

---

1. 기존 방식 vs 새로운 방식: 식당 메뉴판의 비유

기존의 추천 시스템 (상호작용 중심):

"고객님이 스테이크를 주문하셨네요! 다음엔 스테이크와 잘 어울리는 와인을 추천해 드릴게요."

• 문제점: 고객이 메뉴판을 보다가 스테이크를 주문하지 않고 그냥 지나갔다면, 시스템은 "고객이 스테이크를 싫어한다"고 오해할 수 있습니다. 혹은 "고객이 스테이크를 보지 못했을 수도 있는데"라는 생각은 하지 못합니다.

새로운 방식 (Impression-Aware, 노출 인식형):

"고객님이 메뉴판을 보셨을 때, 스테이크, 파스타, 샐러드가 한눈에 들어왔어요 (이걸 '노출'이라고 합니다).
고객님은 스테이크를 주문하지 않았지만, 파스타를 보고 잠시 멈칫하셨고, 샐러드는 눈도 안 마주치셨네요.
이 '보이지 않은 반응'까지 분석하면, 스테이크는 싫어하는 게 아니라 '오늘은 가볍게 먹고 싶다'는 뜻일 수도 있다는 걸 알 수 있어요."

이 논문은 바로 이 **'메뉴판에 보여진 모든 음식 (노출)'**을 데이터로 활용하여, 훨씬 더 정교한 추천을 하자는 것입니다.

2. 이 연구가 해결하려는 세 가지 핵심 질문

저자들은 이 새로운 방식을 체계적으로 정리하기 위해 세 가지 렌즈를 만들었습니다.

① 추천 모델은 어떻게 생겼을까? (모델 중심)

• 비유: 마술사가 주문을 받는 방식입니다.
• 내용: 과거에는 간단한 규칙 (Heuristic) 만 썼지만, 요즘은 **딥러닝 (Deep Learning)**이나 강화학습 (Reinforcement Learning) 같은 고도화된 AI 를 많이 사용합니다. 마치 마술사가 단순히 종이를 뽑는 게 아니라, 고객의 눈빛과 표정까지 분석하는 복잡한 마술을 부리는 것과 같습니다.

② 데이터를 어떻게 쓰나? (데이터 중심)

• 비유: 마술사가 어떤 재료를 쓰는지입니다.
• 내용:
  • 특징 추출: "고객이 스테이크를 5 번이나 봤는데 안 샀네?" 같은 숫자만 뽑아 씁니다.
  • 학습: 메뉴판 전체 (노출된 모든 음식) 를 AI 에게 보여주고 학습시킵니다.
  • 샘플링: 메뉴판에서 몇 가지 음식만 골라 학습시킵니다.
  • 현실: 대부분의 연구는 '숫자만 뽑아 쓰는 것'과 '메뉴판 전체를 학습하는 것'을 섞어서 쓰고 있습니다.

③ '안 산 것'은 어떻게 해석하나? (신호 중심)

• 비유: 고객이 메뉴를 보지 않고 지나갔을 때, 그건 '싫다'는 뜻일까, '모른다'는 뜻일까?
• 내용:
  • 가정 (Assume): "안 샀으면 싫어하는 거야!"라고 단순히 가정합니다. (가장 흔한 방식)
  • 학습 (Learn): "아니야, 안 산 이유가 있을 거야. 다른 음식이 더 눈에 띄었거나, 배가 안 고픈 거야."라고 AI 가 스스로 이유를 찾아내게 합니다. (더 정교하지만 어려운 방식)

3. 현재 상황과 문제점 (현실적인 어려움)

이 논문은 현재 이 분야가 얼마나 발전했는지, 그리고 어떤 문제가 있는지 날카롭게 지적합니다.

• 데이터의 부족: 연구자들이 실험할 수 있는 **'공개된 데이터'**가 아직 부족합니다. 특히, "어떤 음식을 보여줬고 (노출), 어떤 음식을 클릭했는지 (상호작용)"가 연결된 데이터가 거의 없습니다.
  • 비유: "메뉴판을 보여줬다"는 기록은 있는데, "고객이 어떤 음식을 보고 눈이 멈췄는지"가 기록되지 않은 경우가 많습니다.
• 편향 (Bias) 의 문제: 추천 시스템이 인기 있는 음식만 메뉴판에 올린다면, 고객은 인기 없는 음식을 볼 기회조차 없습니다. 이걸 '노출 편향'이라고 하는데, 이걸 고치지 않으면 AI 는 인기 음식만 더 추천하는 악순환에 빠집니다.
• 사용자의 피로 (Fatigue): 같은 음식 (예: 스테이크) 을 메뉴판에 너무 자주 올리면, 고객은 질려서 아예 안 보게 됩니다. 이 '질림'을 어떻게 계산할지도 중요한 과제입니다.

4. 앞으로의 전망: 마술사는 어떻게 변할까?

이 논문은 미래에 이렇게 발전해야 한다고 제안합니다.

1. 더 많은 공개 데이터: 연구자들이 실험할 수 있도록, "메뉴판에 뭐가 있었고, 고객이 어떻게 반응했는지"가 모두 기록된 데이터를 더 많이 공개해야 합니다.
2. 편향 제거: "인기 음식만 보여줘서 안 산 건가?"를 구분할 수 있는 기술을 개발해야 합니다.
3. 정교한 신호 해석: 고객이 클릭하지 않은 이유 (질림, 다른 선택지, 시간 부족 등) 를 AI 가 스스로 추론하게 해야 합니다.

요약

이 논문은 **"추천 시스템이 사용자에게 보여준 모든 것 (노출) 을 기록하고, 클릭하지 않은 이유까지 분석하면, 훨씬 더 똑똑하고 인간적인 추천을 할 수 있다"**는 것을 증명하고, 이를 위한 체계적인 방법론과 데이터, 평가 기준을 제시한 **매우 중요한 지도 (Map)**입니다.

앞으로의 추천 시스템은 "무엇을 샀는지"만 보는 것이 아니라, **"무엇을 보고, 어떻게 반응했는지"**까지 읽는 초정밀 마술사가 될 것입니다.

기술 요약

이 논문은 추천 시스템 분야에서 '인상 (Impression)' 데이터를 활용한 새로운 학습 패러다임인 인상 인식 추천 시스템 (Impression-Aware Recommender Systems, IARS) 에 대한 체계적인 문헌 고찰 (Systematic Literature Review) 입니다. 저자들은 기존 상호작용 (Interaction) 데이터만 사용하는 방식의 한계를 극복하고, 사용자에게 노출된 모든 아이템 (Impression) 을 학습 데이터로 활용하는 새로운 프레임워크를 제시합니다.

다음은 논문의 주요 내용을 기술적으로 요약한 것입니다.

---

1. 문제 정의 (Problem)

기존의 협업 필터링 (Collaborative Filtering) 기반 추천 시스템은 주로 사용자의 명시적/암시적 상호작용 (구매, 클릭, 평점 등) 데이터에 의존합니다. 그러나 이러한 접근 방식은 다음과 같은 한계를 가집니다:

• 인기 아이템 편향: 인기 있는 아이템 위주로 추천되는 경향이 강합니다.
• 필터 버블 (Filter Bubbles): 사용자의 기존 선호도만 강화하여 다양성이 떨어집니다.
• 콜드 스타트 (Cold Start): 새로운 사용자에게 적절한 추천을 제공하기 어렵습니다.
• 데이터 손실: 사용자에게 노출되었으나 클릭하지 않은 (Non-interacted) 아이템에 대한 정보가 '부정적 신호'로만 간주되거나 무시되어, 사용자의 실제 선호도를 왜곡할 수 있습니다.

이러한 한계를 해결하기 위해, 사용자에게 화면에 표시된 모든 아이템의 집합 (Impression) 을 데이터 소스로 활용하는 새로운 패러다임이 필요하며, 이에 대한 체계적인 연구가 부족했습니다.

2. 방법론 (Methodology)

저자는 IARS 를 정의하고 분류하기 위해 다음과 같은 방법론을 적용했습니다.

A. 이론적 프레임워크 및 정의

• Impression (인상): 특정 시점에 사용자의 화면에 노출된 $N$개의 아이템 집합.
• IARS (Impression-Aware Recommender Systems): 상호작용뿐만 아니라 '인상' 데이터를 주요 입력 소스로 활용하여 사용자 선호도를 학습하는 추천 시스템.
• 데이터 구분:
  • Contextual Impressions: 상호작용이 발생한 아이템이 속한 특정 인상 (Slates) 을 연결하여 기록한 데이터 (위치, 순서 등 포함).
  • Global Impressions: 상호작용과 인상의 연결 관계가 명확하지 않은 데이터.
• 신호 (Signal) 정의: 상호작용이 없는 아이템 (Non-interacted) 에 대한 사용자의 선호도를 '부정 (Negative)', '중립 (Neutral)', '긍정 (Positive)'으로 구분하여 분석합니다. 기존 연구는 대부분 이를 '부정'으로 가정했으나, 저자는 이를 학습하거나 다양한 가정을 검토해야 함을 강조합니다.

B. 분류 체계 (Taxonomy)

43 편의 선정된 논문을 분석하기 위해 3 가지 차원의 분류 체계를 제안했습니다.

1. 모델 중심 분류 (Model-centric): 추천 모델의 설계 방식 (휴리스틱, 통계적, 머신러닝, 딥러닝, 강화학습).
2. 데이터 중심 분류 (Data-centric): 인상을 모델에 입력하는 방식 (특징 추출, 인상 자체를 입력, 샘플링).
3. 신호 중심 분류 (Signal-centric): 비상호작용 인상을 어떻게 해석하는지 (가정 vs 학습).

C. 문헌 분석

• 2023 년 기준, CORE 및 Scimago 상위 저널/컨퍼런스에 게재된 1,351 편의 후보 논문 중 엄격한 선정 기준을 거쳐 43 편의 논문을 최종 선정하여 분석했습니다.

3. 주요 기여 (Key Contributions)

1. IARS 의 이론적 프레임워크 정립: 인상 데이터를 활용한 추천 시스템을 정의하고, 기존 컨텍스트 인식 추천 시스템 (CARS) 등과의 차이점을 수학적으로 명확히 구분했습니다.
2. 체계적인 분류 체계 제안: 모델, 데이터, 신호 처리 방식에 따른 3 가지 분류 체계를 통해 기존 연구들을 체계적으로 정리했습니다.
3. 데이터셋 및 평가 방법론 분석:
   • 공개된 13 개의 인상 데이터셋 (Contextual 3 개, Global 10 개) 과 폐기/비공개 데이터셋을 분석했습니다.
   • 현재 연구들의 평가 방법론 (오프라인, 온라인, 사용자 연구) 과 연구 목표 (추천 품질 향상 vs 인상 신호 추출) 를 분류하고, 평가 시 발생할 수 있는 오류 (예: 테스트 시 인상 데이터 누출) 를 지적했습니다.
4. 미래 연구 방향 제시: 데이터 편향 (Bias), 사용자 피로 (User Fatigue), 신호 해독 (Signal Disentanglement) 등 해결되지 않은 문제들을 제시했습니다.

4. 결과 및 분석 (Results & Analysis)

분석된 43 편의 논문을 통해 다음과 같은 경향성을 도출했습니다.

• 모델 트렌드: 초기 연구는 휴리스틱이나 통계적 방법을 사용했으나, 최근 5 년간 딥러닝 (38.6%) 과 강화학습 (22.7%) 기반 모델이 주류를 이루고 있습니다.
• 데이터 활용 방식:
  • 가장 흔한 방식은 인상 데이터에서 특징 (Features) 을 추출하거나 (예: 노출 횟수, CTR), 인상 자체를 입력 (Learn) 으로 사용하는 것입니다.
  • 전체 인상을 샘플링하여 학습하는 방식은 드뭅니다.
• 신호 해석:
  • 63.6% 의 논문이 비상호작용 인상을 부정적 신호 (Negative) 로 가정합니다 (Missing as Negatives).
  • 25.0% 는 이를 학습하여 사용자의 실제 선호도를 파악하려 시도합니다.
  • 중립이나 긍정 신호로 해석하는 연구는 매우 드뭅니다.
• 데이터셋 현황:
  • 공개된 데이터셋 13 개 중 10 개는 Global Impressions만 포함하고 있어, 아이템의 위치나 순서 정보를 알 수 없어 편향 보정이 어렵습니다.
  • Contextual Impressions를 포함한 데이터셋은 3 개뿐이며, 이는 연구의 재현성과 심층 분석에 제약이 됩니다.
• 평가 방법: 약 48.8% 의 논문이 오프라인 및 온라인 평가를 병행했으나, 연구 목표와 평가 방법이 일치하지 않는 경우 (예: 엔드 - 투 - 엔드 모델을 재순위화 모델처럼 평가) 가 발견되었습니다.

5. 의의 및 미래 방향 (Significance & Future Directions)

이 논문은 추천 시스템 연구에 다음과 같은 중요한 시사점을 제공합니다.

• 새로운 패러다임의 정립: '상호작용' 중심의 기존 관점에서 '노출 (Impression)' 중심의 새로운 학습 패러다임으로의 전환을 촉진합니다.
• 편향 (Bias) 해결의 열쇠: 인상 데이터는 노출 편향 (Exposure Bias) 을 더 정밀하게 분석하고 보정 (Debiasing) 하는 데 필수적입니다. 예를 들어, 역확률 가중치 (IPW) 기법 등을 적용할 때 노출 확률을 정확히 알 수 있게 됩니다.
• 사용자 피로 (User Fatigue) 모델링: 반복 노출로 인한 사용자의 피로도를 정량화하고 이를 추천에 반영할 수 있는 가능성을 제시합니다.
• 미래 연구 과제:
  • 데이터: 더 많은 공개된 Contextual Impressions 데이터셋의 필요성 강조.
  • 모델: 그래프 기반 모델이나 행렬 분해 등 다양한 아키텍처의 적용 확대.
  • 신호: 비상호작용 인상의 신호를 '부정'이 아닌 '중립'이나 '학습 가능한 신호'로 해석하는 연구 심화.
  • 평가: 인상 데이터를 활용한 편향 보정 평가 방법론 및 재현 가능한 벤치마크 구축.

결론적으로, 이 논문은 인상 데이터를 활용한 추천 시스템 연구의 현재 상태를 종합적으로 정리하고, 향후 더 정확하고 공정한 개인화 추천을 위한 이론적, 실용적 기반을 마련했다는 점에서 의의가 큽니다.