Aligning Recommendations with User Popularity Preferences

논문 요약: 사용자 인기 선호도에 부합하는 추천 정렬

이 논문은 추천 시스템에서 발생하는 인기 편향 (Popularity Bias) 문제를 단순한 콘텐츠 다양성 이슈가 아닌, 사용자와 추천 시스템 간의 정렬 (Alignment) 문제로 재정의하고 이를 해결하기 위한 새로운 측정 프레임워크와 완화 기법을 제안합니다.

1. 문제 정의 (Problem)

• 인기 편향의 본질: 기존 추천 시스템은 이미 잘 알려진 인기 있는 아이템을 과도하게 추천하는 경향이 있습니다. 이는 '부자는 더 부자가 되는 (Rich-get-richer)' 현상을 초래하여 콘텐츠의 동질화를 유발합니다.
• 사용자 관점의 미스매치: 중요한 점은 모든 사용자가 인기 있는 콘텐츠를 선호하는 것은 아니라는 것입니다. 일부 사용자는 니치 (Niche) 콘텐츠를 선호하는데, 시스템이 일률적으로 인기 아이템을 추천하면 개인의 취향과 시스템 추천 간의 정렬 (Alignment) 이 깨집니다.
• 기존 방법의 한계: 기존 편향 완화 기법들은 대부분 전역적 (Global) 으로 인기 아이템을 줄이는 데 초점을 맞추어, 특정 사용자의 니즈를 무시하거나 추천 품질 (Accuracy) 을 떨어뜨리는 문제가 있었습니다.

2. 방법론 (Methodology)

이 논문은 크게 두 가지 핵심 기여를 통해 문제를 해결합니다: 측정 프레임워크와 완화 기법.

A. 측정 프레임워크: 인기 분위수 보정 (Popularity Quantile Calibration)
기존의 인기 편향 측정 지표 (예: 평균 인기, 지니 계수 등) 가 사용자의 개별 선호도를 정밀하게捕捉하지 못한다고 지적하며, 측정 이론 (Measurement Theory) 을 기반으로 새로운 지표를 제안합니다.

• 핵심 개념: 사용자의 과거 상호작용 히스토리 ($H_u$) 에 나타난 인기 분포와 시스템이 추천한 아이템의 인기 분포 ($R_u$) 를 비교합니다.
• PCE (Popularity Calibration Error): 사용자의 히스토리 분포 $p(s|u)$ 와 추천 분포 $q(s|u)$ 가 일치하는지 확인하기 위해 분위수 (Quantile) 기반의 보정 곡선 (Calibration Curve) 을 사용합니다.
  • 추천 시스템이 사용자의 선호도 (인기/니치 비율) 를 정확히 반영하면 보정 곡선은 대각선 (Identity line) 에 위치합니다.
  • 곡선이 대각선에서 벗어날수록 오차 (PCE) 가 발생하며, 이는 사용자와 시스템 간의 인기 선호도 불일치를 수치화합니다.
• 장점: 기존 지표들이 가지지 못했던 순서성 (Ordinality), 크기 (Cardinality), 분산 (Dispersion) 을 모두 포착하며, 이상치에 강건하고 스케일 불변성을 가집니다.

B. 완화 기법: SPREE (Steering PopulaRity toward human prEferEnces)
추천 모델의 재학습 (Retraining) 없이 추론 시 (Inference-time) 에 적용되는 활성화 조향 (Activation Steering) 기법을 제안합니다.

• 인기 방향 벡터 식별: 고인기 아이템 시퀀스와 저인기 (니치) 아이템 시퀀스로 구성된 대비 데이터셋을 생성하여, 모델의 내부 표현 공간 (Representation Space) 에서 인기와 관련된 방향 벡터 ($\mathbf{v}$) 를 학습합니다.
• 적응형 조향 (Adaptive Steering):
  • 기존 조향 기법은 모든 사용자에게 동일한 강도로 조향을 적용하지만, SPREE 는 사용자별 편향 추정치 ($e(u)$) 를 기반으로 조향의 방향과 강도를 개별적으로 조절합니다.
  • 사용자의 추천이 선호도보다 너무 인기 있으면 인기 방향에서 멀어지게, 반대로 너무 니치하면 인기 쪽으로 당기게 됩니다.
  • 편향 추정기는 모델의 내부 활성화 값을 입력으로 받아 Lasso 회귀 등을 통해 학습됩니다.
• 특징: 모델 구조 변경 없이, 추론 단계에서 잔여 스트림 (Residual Stream) 활성화에 벡터를 가산/감산하여 즉각적인 조정이 가능합니다.

3. 주요 실험 결과 (Results)

다양한 도메인 (영화, 음악, 위치 기반 서비스 등) 의 4 개 데이터셋 (Foursquare, MovieLens-1M/20M, RateBeer) 에서 실험을 수행했습니다.

• 정렬 - 성능 트레이드오프:
  • SPREE는 다른 베이스라인 (전역 인기 감소 기법, 개인화 인기 점수 보정 등) 과 비교하여 PCE(정렬 오차) 를 크게 줄이면서 NDCG(추천 정확도) 는 유지하거나 오히려 개선하는 가장 우수한 성능을 보였습니다.
  • 특히 전역적으로 인기 아이템을 줄이는 방법 (IPR, PopSteer) 은 오히려 사용자와의 정렬을 해치고 PCE 를 악화시키는 반면, SPREE 는 사용자별 맞춤형 정렬을 달성했습니다.
• 보정 곡선 분석:
  • 베이스 모델은 일반적으로 사용자의 선호도보다 더 인기 있는 아이템을 추천하는 경향 (부정적 편향) 을 보였습니다. SPREE 는 이 보정 곡선을 이상적인 대각선에 가깝게 이동시켰습니다.
  • 반면, 다른 방법들은 보정 곡선을 더 왜곡시키거나 특정 구간 (예: 상위 인기) 으로 치우치게 만들었습니다.
• 적응형 조향의 중요성 (Ablation Study):
  • 사용자별 편향 추정기 ($\hat{f}$) 를 사용하지 않고 전역적으로 동일한 강도로 조향하는 경우, 전역 인기는 줄어들지만 사용자별 정렬 (PCE) 은 오히려 악화되었습니다. 이는 개별 사용자 선호도에 맞춘 적응형 조향의 필수성을 입증했습니다.

4. 주요 기여 (Key Contributions)

1. 측정 이론 기반 분석: 기존 인기 편향 지표들의 한계를 측정 이론 (유효성, 신뢰성) 관점에서 비판적으로 분석하고, 사용자 - 추천 시스템 정렬을 위한 새로운 설계 기준 (Desiderata) 을 제시했습니다.
2. 새로운 측정 지표 (PCE): 사용자의 인기 선호도 분포와 추천 분포 간의 불일치를 정량화하는 '인기 보정 오차 (PCE)'와 보정 곡선을 제안했습니다.
3. SPREE 알고리즘: 재학습 없이 추론 시에 적용 가능한 경량화 된 활성화 조향 기법을 개발하여, 사용자별 인기 편향을 실시간으로 보정했습니다.
4. 실험적 검증: 다양한 데이터셋에서 SPREE 가 추천 품질을 유지하면서 사용자 정렬을 가장 효과적으로 개선함을 입증했습니다.

5. 의의 및 시사점 (Significance)

• 개인화된 편향 완화: "인기 편향"을 단순히 시스템 전체의 문제 (전역적 감소) 가 아니라, 개별 사용자의 취향과 시스템 추천 간의 불일치로 해석함으로써, 더 정교하고 개인화된 해결책을 제시했습니다.
• 실용성: 모델 재학습이 필요 없어 컴퓨팅 비용이 적게 들고, 기존 추천 시스템에 쉽게 통합될 수 있어 산업계 적용 가능성이 높습니다.
• 창작자와 플랫폼의 상생: 인기 편향을 완화함으로써 니치 창작자의 노출 기회를 늘리고, 사용자에게 더 다양하고 개인화된 콘텐츠를 제공하여 플랫폼의 장기적인 사용자 만족도를 높일 수 있음을 시사합니다.

이 논문은 추천 시스템의 공정성과 다양성 문제를 해결하기 위해, 단순히 아이템의 분포를 조절하는 것을 넘어 사용자의 심리적/행동적 선호도 분포와 시스템의 출력 분포를 정렬하는 새로운 패러다임을 제시했다는 점에서 의의가 큽니다.