Debiasing Sequential Recommendation with Time-aware Inverse Propensity Scoring

이 논문은 기존 순차 추천 모델이 노출 편향과 선택 편향을 해결하지 못하는 한계를 극복하기 위해, 사용자의 행동 시계열 의존성과 시간적 역동성을 고려한 '시간 인지 역선도 점수 (TIPS)' 방법을 제안하고 이를 통해 추천 성능을 향상시킨다는 내용입니다.

핵심

이 논문은 **"시퀀스 추천 (Sequential Recommendation)"**이라는 기술의 숨겨진 문제를 해결하고, 더 똑똑한 추천 시스템을 만드는 방법에 대해 설명합니다.

간단히 말해, **"우리가 클릭하지 않은 아이템이 '싫어서'인지, 그냥 '보이지 않아서'인지 구분하는 방법"**을 찾아낸 이야기입니다.

이 내용을 일상적인 비유로 풀어보겠습니다.

---

🍿 1. 문제: "보이지 않는 영화는 재미없다?" (선택 편향과 노출 편향)

상상해 보세요. 친구가 당신에게 영화를 추천해 줍니다. 친구는 당신이 **클릭 (관람)**한 영화만 보고 "이 친구는 액션 영화를 좋아하네!"라고 결론 내립니다.

하지만 여기서 두 가지 치명적인 오해가 생깁니다.

1. 노출 편향 (Exposure Bias): 친구가 당신에게 보여준 영화는 10 개뿐이었습니다. 그중 9 개는 안 봤지만, 사실 그 9 개 중 8 개는 당신이 정말 좋아할 만한 영화였을 수도 있습니다. 하지만 친구는 "보여주지 않았으니 (노출되지 않았으니) 관심 없는 거겠지"라고 생각합니다.
2. 선택 편향 (Selection Bias): 친구가 보여준 10 개 중 1 개만 클릭했습니다. 친구는 "나머지 9 개는 싫어서 안 본 거야"라고 생각합니다. 하지만 사실은 그 9 개 중 2 개는 "아, 이거 재미있겠다!" 싶었는데, 단순히 타이밍이 안 맞거나 다른 영화가 먼저 눈에 들어와서 클릭을 못 했을 수도 있습니다.

기존의 추천 시스템은 **"클릭한 것만 좋아하고, 클릭하지 않은 건 싫어하는 거"**라고 잘못 판단해서, 점점 더 편향된 추천을 하게 됩니다. 마치 친구가 당신에게 항상 같은 장르의 영화만 보여주고, "너는 이거밖에 안 좋아해!"라고 말하는 것과 같습니다.

---

⏳ 2. 해결책: "시간을 거슬러 상상하기" (시간 인식 역선호 점수, TIPS)

이 문제를 해결하기 위해 연구자들은 **'반사실적 추론 (Counterfactual Reasoning)'**이라는 개념을 사용했습니다. 쉽게 말해 **"만약에..."**라고 상상하는 것입니다.

기존의 방법 (IPS) 은 정적 (Static) 이어서, "이 영화가 노출될 확률은 50% 였으니 점수를 2 배로 올려줘"라고 단순히 계산했습니다. 하지만 사람의 취향은 시간에 따라 변합니다. 어제는 액션 영화를 좋아했는데, 오늘은 공포 영화를 원할 수도 있죠.

이 논문이 제안한 **TIPS (Time-aware Inverse Propensity Scoring)**는 **"시간을 고려한 상상"**을 합니다.

🎭 TIPS 의 마법 같은 상상 세 가지

시스템은 실제 클릭한 데이터를 바탕으로, 다음과 같은 "만약에" 상황을 만들어냅니다.

1. 비슷한 물건이 보였다면? (Similar Items)
   • 상상: "내가 아이폰 17 을 샀는데, 만약에 그 옆에 아이폰 케이스가 노출되었다면 클릭했을까?"
   • 효과: 비슷한 아이템이 노출되었을 때의 반응을 예측합니다.
2. 인기 있는 물건이 보였다면? (Popular Items)
   • 상상: "내가 평범한 음악을 들었는데, 만약에 전 세계 1 위 곡이 노출되었다면 클릭했을까?"
   • 효과: 인기 있는 아이템이 노출되었을 때의 반응을 예측합니다.
3. 같은 물건, 다른 시간이라면? (Same Item, Different Time)
   • 상상: "내가 어제 이 영화를 클릭했는데, 만약에 오늘 이 영화가 노출되었다면 클릭했을까?"
   • 효과: 시간의 흐름에 따라 내 취향이 어떻게 변하는지 파악합니다.

이 세 가지 "만약에" 상황을 통해, 시스템은 **"사실은 내가 클릭하지 않았지만, 노출만 되었다면 클릭했을 것"**인 아이템들을 찾아냅니다. 그리고 그 아이템들에게는 **"클릭을 못 했어도 좋아할 가능성이 높으니, 추천 점수를 올려줘!"**라고 보정해 줍니다.

---

🚀 3. 결과: 더 똑똑한 추천 시스템

이 방법을 적용한 결과, 기존 추천 시스템 (RNN, 트랜스포머, 생성형 AI 등) 에 이 기술을 '플러그인'처럼 끼우기만 해도 성능이 크게 향상되었습니다.

• 큰 데이터일수록 효과 큼: 사용자가 많고 상호작용이 활발할수록 (예: 뮤직 스트리밍 서비스), 이 "시간을 고려한 상상"이 더 정확하게 작동했습니다.
• 편향 제거: "클릭 안 함 = 싫음"이라는 오해를 깨뜨리고, "보이지 않아서 클릭 안 함"을 찾아내어, 사용자가 몰랐던 좋은 아이템을 찾아내어 추천해 줍니다.

💡 요약: 이 논문이 우리에게 주는 교훈

기존의 추천 시스템은 **"보인 것만 보고 판단"**하는 편견에 갇혀 있었습니다. 하지만 이 논문은 **"보이지 않았던 것들도, 시간이 흐르고 상황이 바뀐다면 내가 좋아했을지도 모른다"**는 시간을 고려한 상상력을 시스템에 심어주었습니다.

마치 훌륭한 친구가 되어주는 것과 같습니다.

"너는 이거만 좋아한다고 생각했는데, 사실은 저것도 좋아할 수 있잖아? 특히 오늘 같은 날엔 더 그럴 것 같아. 한번 들어봐!"

이처럼 시간과 상황을 고려한 추천은 사용자에게 더 다양하고 정확한 만족감을 줄 수 있습니다.

기술 요약

1. 문제 정의 (Problem Statement)

순차 추천 (Sequential Recommendation, SR) 은 사용자의 과거 행동 시퀀스를 모델링하여 다음 상호작용을 예측하는 작업입니다. 기존 연구들은 주로 클릭, 구매 등 명시적 상호작용 (Explicit Interactions) 에만 의존하며, 노출 (Exposure) 데이터 (사용자에게 보여졌지만 클릭하지 않은 항목) 를 무시하는 경향이 있습니다. 이로 인해 다음과 같은 두 가지 주요 편향 (Bias) 이 발생합니다.

1. 노출 편향 (Exposure Bias): 노출되지 않은 항목은 사용자의 관심사가 없는 것으로 잘못 간주됩니다.
2. 선택 편향 (Selection Bias): 노출되었지만 상호작용하지 않은 항목은 사용자의 관심사가 없는 것으로 오해받습니다. 실제로는 노출 전략이나 컨텍스트의 영향일 수 있습니다.

기존의 역선호도 점수 (Inverse Propensity Scoring, IPS) 는 이러한 편향을 보정하기 위해 사용되지만, 정적 (Static) 인 방법론입니다. 이는 시간의 흐름에 따른 사용자의 선호도 변화나 항목 간의 순차적 의존성 (Sequential Dependencies) 을 고려하지 못하여, 순차 추천의 동적 특성을 반영하지 못한다는 한계가 있습니다.

2. 제안 방법론 (Methodology: HyperG / TIPS)

저자들은 시간 인지 역선호도 점수 (Time-aware Inverse Propensity Scoring, TIPS) 를 포함한 새로운 프레임워크 HyperG 를 제안합니다. 이 프레임워크는 노출 로그가 없는 상황에서도 시간적 동역학을 고려하여 편향을 보정하는 플러그인 (Plug-in) 모델입니다.

2.1 구조적 인과 모델 (Structural Causal Model, SCM)

SR 의 인과 관계를 명확히 하기 위해 SCM 을 도입했습니다.

• U (사용자 선호) → E (노출): 사용자의 선호가 노출 목록에 영향을 줌.
• E (노출) → C (클릭/상호작용): 노출은 상호작용의 전제 조건 (Exposure Bias).
• E (노출) → U (선호): 노출된 데이터는 사용자의 진정한 선호를 왜곡할 수 있음 (Selection Bias).

2.2 이중 인코딩 전략 (Dual Encoding Strategy)

편향을 효과적으로 보정하기 위해 항목의 상호작용 (Interaction) 과 노출 (Exposure) 을 분리하여 표현합니다.

• 상호작용 임베딩 ($H^{(C)}$): 클릭 등 명시적 피드백을 학습하여 사용자 선호도를 반영.
• 노출 임베딩 ($H^{(E)}$): 인기, 프로모션 등 노출 확률에 영향을 미치는 요인을 반영.
• 시간 임베딩: 상호작용 간의 시간 간격 (Time Interval) 을 정규화하고 MLP 를 통해 임베딩하여 시간적 맥락을 포착.

2.3 반사실적 샘플 구성 (Counterfactual Samples Construction)

노출 로그가 없으므로, 반사실적 (Counterfactual) 인 가상의 노출 시나리오를 생성하여 노출 분포를 추정합니다. 각 실제 상호작용 $(v_i, t_i)$ 에 대해 세 가지 가상의 양의 노출 샘플을 생성합니다:

1. 유사 항목 (Similar Items): 노출 임베딩 기반의 유사 항목을 같은 시간에 노출된 것으로 가정.
2. 인기 항목 (Popular Items): 역사적 데이터에서 높은 노출 빈도를 가진 인기 항목을 같은 시간에 노출된 것으로 가정.
3. 동일 항목, 다른 시간 (Same Item, Different Time): 동일한 항목을 약간 다른 시간 ($t^*$) 에 노출된 것으로 가정 (시간 임베딩에 작은 교란 $\Delta$ 추가).

이러한 샘플들은 노출 분포 추정 모델 ($f_\phi$) 에서는 양 (Positive) 샘플로, 사용자 선호 추론 모델 ($g_\theta$) 에서는 음 (Negative) 샘플로 활용됩니다.

2.4 노출 영향 모델링 및 TIPS 적용

• 노출 추정 (E → C): 크로스 어텐션 (Cross-Attention) 메커니즘을 사용하여 사용자 상호작용 시퀀스와 후보 항목의 노출 임베딩을 결합합니다. 이를 통해 시간 인지 노출 확률 ($\pi_t$) 을 추정합니다.
• 사용자 선호 보정 (E → U): 추정된 노출 확률을 기반으로 역선호도 점수 ($1/\pi_t$) 를 계산하여 추천 점수를 재가중치 (Reweighting) 합니다.
• 시간 감쇠 가중치: 최근 상호작용에 더 큰 가중치를 주되, 노출 확률이 낮은 항목에 대한 보정을 강화하는 가중치 함수를 설계합니다.

최종 손실 함수는 추천 목표 (BPR-TIPS) 와 노출 분포 학습 목표 (LEP) 를 결합하여 최적화됩니다.

3. 주요 기여 (Key Contributions)

1. 시간 인지 역선호도 (TIPS) 프레임워크 제안: 기존 정적 IPS 의 한계를 극복하고, 순차적 의존성과 시간적 동역학을 통합하여 사용자의 진정한 선호도를 더 정확하게 추정합니다.
2. 노출 로그 없는 노출 분포 추정: 반사실적 데이터 증강 (Counterfactual Augmentation) 기법을 통해 노출 로그가 없는 환경에서도 노출 분포를 효과적으로 추정합니다.
3. 범용 플러그인 아키텍처: 기존 순차 추천 모델 (Attention 기반, RNN 기반) 과 생성형 모델 (Diffusion, VAE) 모두에 적용 가능한 범용적인 구조를 제공합니다.
4. 광범위한 실험 검증: 다양한 데이터셋과 백본 모델에 대한 실험을 통해 제안 방법의 유효성을 입증했습니다.

4. 실험 결과 (Results)

• 데이터셋: MovieLens (1M, 10M), Music4All, GoodReads 등 4 개의 대규모 데이터셋.
• 비교 대상: SASRec, TiSASRec, GRU 등 전통적 순차 모델 및 CVAE, DiffuRec 등 생성형 모델, 그리고 기존 편향 보정 방법 (USR, LDPE 등).
• 성과:
  • HyperG 는 모든 백본 모델과 데이터셋에서 일관된 성능 향상을 보였습니다.
  • 특히 대규모 데이터셋 (Music4All, ML-10M) 에서 HR@10 기준 최대 8.87%, NDCG@10 기준 8.72% 의 향상 효과를 기록했습니다.
  • 생성형 모델 (DiffuRec) 에 적용 시에도 약 4~6% 의 성능 향상을 보였습니다.
• Ablation Study:
  • 시간 정보 제거 (HyperG¬time) 나 노출 추정 모듈 제거 (HyperG¬EP) 시 성능이 현저히 저하되어, 시간 정보와 노출 모델링의 결합이 핵심임을 입증했습니다.
  • 기존 IPS 대비 HyperG 는 긍정/부정 샘플 간의 선호도 점수 분포를 더 잘 구분하여 (Discriminative) 편향 보정 효과를 높였습니다.

5. 의의 및 결론 (Significance)

이 논문은 순차 추천 시스템에서 노출 데이터의 부재로 인한 근본적인 편향 문제를 해결하기 위해 인과적 추론 (Counterfactual Reasoning) 과 시간적 동역학을 결합한 새로운 패러다임을 제시합니다.

• 실용성: 실제 서비스 환경에서는 노출 로그를 수집하기 어려운 경우가 많으므로, 노출 로그 없이도 편향을 보정할 수 있는 방법은 실제 적용에 매우 중요합니다.
• 모델 중립성: 기존 추천 모델의 구조를 변경하지 않고도 플러그인으로 적용 가능하여, 연구 및 산업 현장에서의 도입 장벽을 낮춥니다.
• 향후 방향: 생성형 AI 와 결합된 추천 시스템의 편향 해소에 대한 중요한 기초를 마련했다는 점에서 학술적, 실용적 가치가 높습니다.

요약하자면, 이 연구는 시간을 고려한 역선호도 점수 (TIPS) 를 통해 순차 추천의 노출 및 선택 편향을 효과적으로 제거하고, 사용자의 진정한 선호도를 더 정밀하게 예측하는 강력한 프레임워크를 제안했습니다.