SRSUPM: Sequential Recommender System Based on User Psychological Motivation

이 논문은 기존 순차 추천 시스템의 한계를 극복하기 위해 사용자의 심리적 동기 변화를 정량적으로 평가하고 이를 반영한 다단계 상태 모델링 및 표현 분해를 통해 추천 성능을 향상시킨 'SRSUPM' 프레임워크를 제안합니다.

핵심

🍔 1. 기존 시스템의 문제: "무조건 같은 걸 좋아할 거야?"

기존의 추천 시스템 (예: 유튜브, 넷플릭스, 쇼핑몰) 은 사용자의 과거 행동을 보고 "다음에 무엇을 원할까?"를 예측합니다.
하지만 대부분의 시스템은 사용자의 마음이 변하지 않는다고 가정합니다.

• 상황: 당신이 어제 '피자'를 주문했습니다.
• 기존 시스템의 생각: "어제 피자를 먹었으니, 오늘도 피자를 원하겠지? 아니면 비슷한 이탈리아 음식을 추천해줘야지."
• 현실: 하지만 당신은 오늘 갑자기 '다이어트'를 결심해서 '샐러드'를 먹고 싶을 수도 있고, 혹은 '친구와 데이트'를 하려고 '고급 스테이크'를 원할 수도 있습니다.

이처럼 과거의 행동 (피자) 과 오늘의 마음 (샐러드/스테이크) 이 완전히 다를 때, 기존 시스템은 그 '마음의 변화'를 감지하지 못해 엉뚱한 피자를 계속 추천하며 실패합니다.

🧩 2. 이 논문이 제안한 해결책: SRSUPM

이 논문은 사용자의 마음을 **'심리적 동기 변화 (Psychological Motivation Shift)'**라는 개념으로 파악합니다. 마치 변화하는 날씨처럼 사용자의 취향도 변한다는 것입니다.

이 시스템은 크게 4 가지 단계로 작동합니다.

① 변화의 정도 측정 (PMSA): "얼마나 마음이 변했나?"

시스템은 사용자의 과거 기록과 다음에 클릭한 아이템을 비교합니다.

• 비유: 과거에 '스포츠'만 봤는데, 갑자기 '요리' 영상을 클릭했다면? "아, 이 사람의 취향이 완전히 뒤집혔네 (변화 정도 100%)"라고 점수를 매깁니다. 과거와 비슷했다면 "변화 정도 0%"라고 합니다.

② 변화의 단계 나누기 (Shift Information Construction): "변화의 스펙트럼을 준비하다"

단순히 '변했다/안 변했다'가 아니라, 변화의 강도를 여러 단계 (예: 1 단계~5 단계) 로 나눕니다.

• 비유: 옷장 앞에 서서 "오늘은 가벼운 변화 (1 단계), 중간 변화 (3 단계), 극적인 변화 (5 단계) 중 어떤 옷을 입을지"를 모두 준비해 두는 것과 같습니다. 시스템은 사용자의 현재 상태가 이 중 어디에 해당할지 미리 예측합니다.

③ 분해와 정리 (Information Decomposition): "혼란스러운 마음을 정리하다"

여러 단계의 변화 가능성을 모두 고려하되, 실제 사용자의 행동에 가장 맞는 단계에 집중하도록 돕습니다.

• 비유: 요리사가 여러 가지 재료를 준비해 두었지만, 손님이 "매운 걸 원해"라고 하면 매운 재료만 골라내어 요리를 완성하는 것처럼, 시스템은 가장 적합한 '변화 단계'의 정보를 선별하여 추천에 반영합니다.

④ 비슷한 마음을 가진 사람 찾기 (Information Matching): "나와 같은 고민을 가진 친구 찾기"

기존 시스템은 "같은 물건을 산 사람끼리 비슷하다"고 생각하지만, 이 시스템은 **"같은 물건을 샀지만, 그 이유 (마음의 변화) 가 비슷한 사람"**끼리 묶습니다.

• 비유:
  • 기존: A 와 B 가 모두 '산책화'를 샀으니, A 와 B 는 비슷하다고 생각함.
  • 새로운 시스템: A 는 '운동 시작' 때문에 샀고, B 는 '데이트' 때문에 샀다면? A 와 B 는 서로 다른 마음을 가진 거니까 구분함. 하지만 C 도 '운동 시작' 때문에 산책화를 샀다면, A 와 C 를 친구로 만들어 서로의 취향을 공유하게 함.

🚀 3. 왜 이 방법이 더 좋은가?

이 시스템은 사용자의 **"왜 (Why)"**와 **"어떻게 변했는지 (How much)"**를 이해합니다.

• 기존: "지난주에 피자를 먹었으니 오늘도 피자 추천." (실패)
• SRSUPM: "지난주에 피자를 먹었지만, 오늘 샐러드를 클릭한 걸 보니 다이어트라는 큰 마음의 변화가 있었구나. 그래서 피자 대신 샐러드나 건강한 음식을 추천해줘야겠다." (성공)

📊 4. 실험 결과

실제 데이터 ( Yelp, 뷰티, 스포츠 등) 로 실험해 보니, 기존에 유명한 추천 시스템들 (SASRec, GRU4Rec 등) 에 이 기술을 추가하자 추천 정확도가 눈에 띄게 향상되었습니다. 특히 사용자의 취향이 급격하게 변하는 상황에서도 잘 대처했습니다.

💡 요약

이 논문은 **"사람은 변한다"**는 사실을 인정하고, 그 변화의 정도를 정량적으로 측정하여 추천 시스템에 적용했습니다. 마치 사용자의 마음의 날씨를 예측하는 기상청처럼, 과거의 기록만 보는 것이 아니라 현재의 심리 상태와 변화 추이를 읽어내어 더 똑똑한 추천을 해주는 것입니다.

기술 요약

논문 요약: SRSUPM (사용자 심리적 동기 기반 시퀀셜 추천 시스템)

1. 문제 정의 (Problem Definition)

기존의 시퀀셜 추천 시스템 (Sequential Recommender Systems) 은 사용자의 과거 상호작용 시퀀스를 단일 벡터로 압축하여 다음에 선호할 아이템을 예측합니다. 그러나 이러한 접근 방식에는 다음과 같은 근본적인 한계가 있습니다.

• 심리적 동기의 변화 (Psychological Motivation Shift) 무시: 사용자의 행동은 시간에 따라 매끄럽게 진화한다고 가정하지만, 실제로는 최근의 행동과 다음 행동 사이에서 사용자의 심리적 동기가 급격하게 변할 수 있습니다 (예: 같은 검색 기록을 가지고도 쇼핑 목적에 따라 전혀 다른 카테고리의 아이템을 구매함).
• 단일 타겟 최적화의 한계: 기존 모델은 입력 시퀀스와 단일 관측된 타겟 아이템 간의 일치도만 최적화하므로, 다양한 변화 정도 (shift degrees) 에 따른 분포 패턴을 포착하지 못합니다.
• 협동 학습의 한계 (Collaborative Learning Limitation): 동일한 타겟 아이템을 구매한 사용자를 유사하다고 간주하여 표현을 정렬하는 기존 방식은, 사용자의 심리적 동기 변화 강도 (shift intensity) 가 다르더라도 이를 구분하지 못해 오히려 민감한 패턴을 희석시킵니다.

이 논문은 이러한 한계를 해결하기 위해 사용자의 심리적 동기 변화를 명시적으로 정량화하고 모델링하는 새로운 프레임워크인 SRSUPM을 제안합니다.

2. 방법론 (Methodology)

SRSUPM 은 기존 시퀀셜 추천 모델 (예: SASRec, GRU4Rec 등) 에 플러그인 형태로 통합 가능한 일반화된 프레임워크입니다. 주요 구성 요소는 다음과 같습니다.

가. 심리적 동기 변화 평가 (Psychological Motivation Shift Assessment, PMSA)

• 정의: 아이템의 카테고리 정보를 활용하여 입력 시퀀스와 타겟 아이템 간의 심리적 동기 변화 정도 (PMSD) 를 정량화합니다.
• 계산: 타겟 아이템의 카테고리 집합과 입력 시퀀스 내 아이템 카테고리 집합 간의 교집합/합집합 비율 (IoU) 을 기반으로 변화 정도를 0(변화 없음) 에서 1(완전한 변화) 사이의 값으로 계산합니다.
• 디스크리테이션: 연속적인 PMSD 값을 $V$개의 이산적인 변화 수준 (Shift Levels, 예: 1~5 단계) 으로 매핑하여 다단계 변화를 표현합니다.

나. 변화 정보 구성 (Shift Information Construction, SIC)

• 구조: 사용자의 기본 표현 벡터 ($z_m$) 를 입력받아, $V$개의 서로 다른 변화 강도에 대응하는 다중 표현 벡터 ($\tilde{z}^v_m$) 를 생성합니다.
• 선형 투사: 각 변화 수준에 대한 표현을 학습하기 위해 선형 투사 (LinearProj) 와 잔차 연결을 사용하여 보조적인 의미 정보를 주입합니다.

다. 변화 수준 사전 주입 (Shift-level Prior Injection)

• 각 변화 수준 ($v$) 에 해당하는 학습 가능한 사전 임베딩 ($r_v$) 을 SIC 출력에 더하여, 각 분기가 명확한 변화 수준의 의미를 갖도록 초기화하고 표현 붕괴 (representation collapse) 를 방지합니다.

라. 심리적 동기 변화 주도 정보 분해 (Psychological Motivation Shift-driven Information Decomposition, PMSID)

• 목적: 학습된 $V$개의 표현 벡터가 서로 다른 변화 수준을 명확하게 구분하도록 강제합니다.
• 손실 함수: 실제 관측된 변화 수준 ($b$) 을 기준으로 해당 수준의 표현은 타겟 아이템에 가깝게 (Pull), 다른 수준의 표현은 멀게 (Push) 하는 비교 학습 (Contrastive Learning) 방식을 적용하여 분포를 정규화합니다.

마. 심리적 동기 변화 정보 매칭 (Psychological Motivation Shift Information Matching, PMSIM)

• 개념: 동일한 타겟 아이템을 구매하더라도 **동일한 변화 수준 (PMSD)**을 가진 사용자들끼리만 유사하다고 간주하여 표현을 정렬합니다.
• 샘플링: 신뢰도 (confidence) 가 높은 유사 사용자를 샘플링하여, 변화 수준이 일치하는 사용자 쌍을 양의 쌍 (Positive Pair) 으로, 일치하지 않는 사용자 쌍을 음의 쌍 (Negative Pair) 으로 구성합니다.
• 효과: 심리적 동기 변화에 민감한 협력적 지식 (collaborative knowledge) 을 효과적으로 포착하여 오프-스무딩 (over-smoothing) 을 방지합니다.

바. 예측 및 최적화

• 학습된 다중 변화 표현을 기반으로 타겟 아이템에 대한 잠재적 심리적 동기 분포를 인스턴스화하고, 이를 가중 합산하여 최종 선호도 점수를 계산합니다. 전체 손실 함수는 추천 손실, 분해 손실, 매칭 손실, 변화 일관성 정규화 손실의 가중 합으로 구성됩니다.

3. 주요 기여 (Key Contributions)

1. SRSUPM 프레임워크 제안: 사용자의 심리적 동기 변화를 명시적으로 모델링할 수 있는 범용 프레임워크를 제안하여, 다양한 백본 모델에 통합 가능합니다.
2. 정량화 및 다단계 표현 학습: PMSA 를 통해 변화 정도를 정량화하고, SIC 와 PMSID 를 통해 다단계 변화 상태의 분포를 정규화하여 학습합니다.
3. 변화 민감한 협력 학습: PMSIM 을 통해 변화 수준이 일치하는 사용자들 간의 협력 신호를 강화하여, 기존 방법보다 더 정교한 추천이 가능하도록 합니다.

4. 실험 결과 (Results)

• 데이터셋: Yelp, Beauty, Sports 등 3 개의 공개 벤치마크 데이터셋에서 평가되었습니다.
• 성능: GRU4Rec, SASRec, Caser, Bert4Rec, LightSANs 등 다양한 백본 모델에 적용했을 때, 모든 모델에서 기존 최첨단 기법 (Baseline) 보다 Recall@k 및 NDCG@k 지표를 일관되게 향상시켰습니다.
  • 특히, 심리적 동기 변화가 큰 사용자 그룹에서 기존 모델 대비 성능 향상이 두드러졌습니다.
• 효율성: 추론 시간 (Inference Time) 은 기존 시퀀셜 모델 대비 약간 증가하지만, 사이드 정보 (side information) 를 활용하는 다른 방법들보다 효율적이며, 성능 향상에 비해 계산 비용이 합리적입니다.
• 분석 (Ablation Study): PMSID(분해) 와 PMSIM(매칭) 모듈을 제거했을 때 성능이 저하됨을 확인하여, 각 구성 요소가 필수적임을 입증했습니다. 특히 분해 모듈이 변화 패턴 학습에 더 중요한 역할을 하는 것으로 나타났습니다.
• 시각화: 학습된 표현 공간에서 동일한 변화 수준을 가진 사용자들은 밀집되어 있고, 다른 변화 수준을 가진 사용자들은 명확히 분리됨을 확인했습니다.

5. 의의 및 결론 (Significance)

이 논문은 시퀀셜 추천 시스템의 핵심 과제로서 **'사용자의 심리적 동기 변화'**를 명시적으로 다루었다는 점에서 의의가 큽니다.

• 해석 가능성: 단순한 아이템 ID 매칭을 넘어, 사용자의 행동 변화가 어떤 심리적 동기의 변화 (카테고리 불일치 등) 에 기인하는지 해석 가능한 관점을 제공합니다.
• 정밀한 추천: 사용자의 미래 행동이 불확실하고 다중적 (one-to-many) 일 때, 변화의 강도에 따라 다른 표현을 학습함으로써 더 정밀한 추천이 가능해집니다.
• 범용성: 제안된 프레임워크는 기존 모델의 구조를 크게 변경하지 않고도 적용 가능하므로, 실제 산업 환경에서의 적용 가능성이 높습니다.

결론적으로, SRSUPM 은 사용자의 동적 심리 상태를 정량화하고 이를 추천 시스템에 통합함으로써, 기존 방법론이 놓치고 있던 복잡한 사용자 행동 패턴을 효과적으로 포착하는 새로운 패러다임을 제시합니다.