기술 요약: 관측된 보조 관계를 넘어서 (Beyond Observed Auxiliary Relations, BOAR)

문제 정의

다중 행동 추천(Multi-behavior Recommendation, MBR)은 보조적 행동 신호(예: 클릭, 장바구니 담기)를 활용하여 타겟 행동(예: 구매)의 예측을 개선하는 것을 목표로 합니다. 그래프 신경망(GNN) 기반 접근 방식은 행동 그래프를 통해 신호를 전파함으로써 최첨단 성능을 달으로 이루었으나, 보조 행동에 내재된 두 가지 근본적인 과제에 직면해 있습니다:

1. 보조 신호의 누락 (C1): 사용자가 결국 구매하게 될 아이템에 대해 보조 행동이 누락되는 경우가 많습니다. 이러한 누락은 무작위가 아니라 관측 편향(예: 플랫폼 노출, 아이템 인기도)에 의해 발생합니다. 결과적으로, 이러한 편향된 관계를 통해 신호를 전파하는 GNN은 관측된 보조 상호작용이 없는 '숨겨진' 타겟 아이템으로 일반화하는 데 실패하며, 이는 새로운 아이템을 추천하는 시스템의 능력을 제한합니다.
2. 신뢰할 수 없는 보조 신호 (C2): 관측된 보조 행동이 항상 구매 의도를 의미하는 것은 아닙니다. 이들은 노이즈(예: 실수로 인한 클릭, 단순 탐색)일 수 있습니다. GNN은 구조적으로 이러한 노이즈에 취약하며, 메시지 패싱 과정에서 타겟 행동과 일치하지 않는 신호를 증폭시켜 예측 정확도를 저하시킬 수 있습니다.

기존 방법들은 이러한 과제들을 부분적으로 해결하려 노력하지만(예: 누락 문제를 위한 자기 지도 학습 또는 노이즈를 위한 어텐션 메커니즘), 두 문제를 동시에 해결하거나 보조 가시성(auxiliary observability)에 대한 의존성을 명시적으로 모델링하지는 못합니다.

방법론: BOAR 프레임워크

저자들은 환경 조건부 MBR 프레임워크인 BOAR(Beyond Observed Auxiliary Relations)를 제안합니다. 핵심 통찰은 그래프 리와이어링(rewiring)을 위한 최적의 전략이 특정 사용자-아이템 쌍에 대해 보조 신호가 관측되는지 여부에 따라 달라진다는 것입니다. BOAR는 보조 가시성 환경($E_{ui}$)을 조건으로 하여 타겟 선호도 추정을 다음과 같이 분해합니다:

$$E[R_{ui} | u, i] = \sum_{e \in \{0,1\}} P(E_{ui}=e | u, i) E[R_{ui} | u, i, E_{ui}=e]$$

이 공식은 보조 관측 확률($\hat{p}_{ui}$)에 의해 조정되는 두 개의 상호 보완적인 서브 모듈을 가진 모듈형 설계를 이끕니다:

1. 디바이어스 밀집화 모듈 ($f_0$)

조건: 보조 행동 미관측 ($E_{ui}=0$).
목표: 보조 증거가 없는 타겟 아이템에 대한 숨겨진 선호도를 복구함.
메커니즘:

• 보조 인기도 적대적 학습: 그래디언트 역전 층(Gradient Reversal Layer, GRL)을 사용하여 보조 상호작용 횟수를 바탕으로 아이템 인기도를 예측하는 판별기를 학습시킵니다. 인코더는 이 예측을 최소화하도록 업데이트되어, 아이템 표현에서의 인기도 중심 편향을 억제합니다.
• 타겟 숨겨진 선호도 마이닝: 모든 쌍(pairwise) 계산을 수행하지 않고도 잠재적인 타겟 관계를 효율적으로 발견합니다.
  • 후보 검색: 각도 국소 민감 해싱(Angular LSH)을 사용하여 임베딩 공간에서 유사한 각도 방향을 가진 후보 아이템을 찾습니다.
  • 학습 가능한 엣지 선택: 젬벨-소프트맥스(Gumbel-Softmax)를 사용하는 선형 레이어가 후보 엣지를 추가할지 여부를 예측하며, 타겟 행동 예측을 최적화합니다.
  • 가중치 기반 그래프 증강: 선택된 후보들은 각도 유사도와 크기 일관성에 기반한 가중치와 함께 타겟 그래프에 추가됩니다.
• 디바이어스 밀집화 학습:
  • 대조 학습: 원본 타겟 그래프와 증강된 그래프 간의 임베딩을 InfoNCE 손실을 사용하여 정렬함으로써 안정성을 확보합니다.
  • 디바이어스 BPR 손실: 순위 지정 목적 함수에서 관측 편향을 교정하기 위해 자기 정규화 역확률 점수(Self-Normalized Inverse Propensity Score, SNIPS)를 적용하여 양의 상호작용에 가중치를 재부여합니다.

2. 타겟 가이드 정제 모듈 ($f_1$)

조건: 보조 행동 관측 ($E_{ui}=1$).
목표: 타겟 행동과 일치하지 않는 신뢰할 수 없는 보조 신호를 필터링함.
메커니즘:

• 타겟 가이드 특징 정제: 특징별 게이트(feature-wise gate)를 통해 보조 표현과 고정된 타겟 행동 앵커(분리된 타겟 임베딩) 사이의 균형을 적응적으로 조절합니다. 이는 타겟 선호도 공간과 일치하지 않는 보조 특징을 필터링합니다.
• 선택적 엣지 프루닝: 정제된 표현을 바탕으로 특정 보조 엣지를 유지하거나 제거할지 여부를 예측하는 젬벨-소프트맥스 기반 선형 레이어를 사용하여 노이즈 전파를 억제합니다.
• 타겟 가이드 선호도 학습:
  • 정제 학습: 보조 표현을 고정된 타겟 앵커와 정렬하기 위해 대조 학습을 사용하여 노이즈 오염을 방지합니다.
  • 타겟 선호도 학습: 타겟 행동과의 관련성에 따라 가중치가 부여된 어텐션 메커니즘을 사용하여 행동별 임베딩을 집계한 후, 표준 BPR 손실을 통해 최적화합니다.

통합 학습 및 추론

최종 예측은 추정된 보조 관측 확률($\hat{p}_{ui}$)에 의해 가중치가 부여된 두 모듈의 소프트 결합(soft aggregation)입니다:
$$f(u, i) = (1 - \hat{p}_{ui}) f_0(u, i) + \hat{p}_{ui} f_1(u, i)$$
이 소프트 할당 방식은 인스턴스를 하나의 모듈로만 라우팅하는 하드 할당과 달리, 두 모듈 모두에서 상호 보완적인 신호를 활용할 수 있게 합니다.

주요 기여

1. 문제 식별: 본 논문은 MBR의 두 가지 뚜렷하고 충분히 다뤄지지 않은 과제, 즉 보조 신호의 누락(숨겨진 아이템에 대한 일반화 저하)과 보조 신호의 불확실성(노이즈 증폭)을 강조합니다.
2. 새로운 프레임워크: BOAR는 환경 조건부 모듈형 설계를 통해 이 두 가지 과제를 동시에 해결하는 최초의 방법론입니다. 이는 그래프 리와이어링 전략이 보조 가시성에 의존함을 명시적으로 모델링합니다.
3. 상호 보완적 전략: 프레임워크는 각 환경에 특화된 기술을 도입합니다: 누락된 신호를 위한 디바이어스 밀집화(적대적 학습 + LSH 기반 마이닝)와 신뢰할 수 없는 신호를 위한 타겟 가이드 정제(특징 게이팅 + 엣지 프루닝)가 그것입니다.
4. 실증적 검증: 광범-한 실험을 통해 BOAR가 최첨단 베이스라인들을 지속적으로 능가하며, 특히 숨겨진 타겟 아이템이 있는 시나리오에서 상당한 성능 향상을 보임을 입증했습니다.

실험 결과

저자들은 Tmall, Taobao, JData의 세 가지 벤치마크 데이터셋에서 BOAR를 평가했습니다.

• 전반적인 성능: BOAR는 일반적인 설정에서 모든 데이터셋과 지표(HR@10, NDCG@10)에 걸쳐 최고의 성능을 달성했으며, 가장 우수한 베이스라인 대비 HR@10에서 최대 **7.82%**의 향상을 보였습니다.
• 숨겨진 선호도 복구: "미관측(Unobserved)" 설정(보조 상호작용이 없는 아이템)에서 BOAR는 HR@10에서 최대 **44.2%**의 큰 폭의 향상을 기록했습니다. 이는 관측된 보조 관계를 넘어 숨겨진 선호도를 포착하는 능력을 입증합니다.
• 강건성 (스트레스 테스트):
  • 숨겨진 선호도 테스트: 제거된 보조 상호작용의 비율이 증가함에 따라, BOAR는 베이스라인들에 비해 가장 적은 성능 저하를 보였습니다.
  • 노이즈 주입 테스트: 잘못된 보조 상호작용이 주입됨에 따라, BOAR는 우수한 안정성을 유지하며 효과적인 노이즈 억제 능력을 보여주었습니다.
• 효율성: BOAR는 유사한 파라미터 수를 유지하면서도 최첨단 방법들(예: MEMBER, MuLe보다 빠름)과 대등하거나 더 빠른 학습 및 추론 시간을 달성했습니다.

의의 및 주장

본 논문은 BOAR가 MBR의 누락된 신호와 신뢰할 수 없는 신호라는 이중 과제에 대한 통합적인 솔루션을 제공한다고 주장합니다. 보조 가시성에 따라 모델링 과정을 조건화함으로써, BOAR는 단순히 관측된 관계를 전파하는 것을 넘어 숨겨진 선호도를 능동적으로 복구하고 노이즈를 필터링합니다. 저자들은 타겟 행동이 희소하고 보조 데이터가 편향되거나 노이즈가 많은 실제 추천 시스템에서 이러한 접근 방식이 매우 중요하다고 강조합니다. 이 연구는 미래의 시스템이 모든 보조 신호를 동일하게 취급하는 것에서 벗어나, 보조 행동 그래프의 구조적 결함을 처리하기 위해 환경 인식(environment-aware) 전략을 채택해야 함을 시사합니다.