당신이 수백만 명의 사람들이 자신이 좋아했던 책을 외치고 있는 거대하고 혼란스러운 도서관으로 걸어 들어간다고 상상해 보세요. 하지만 방 안이 너무 시끄러워서 그들의 말을 거의 들을 수 없습니다. 어떤 사람들은 속삭이고, 어떤 이들은 비명을 지르며, 몇몇은 그냥 무작위로 소음을 내며 마치 책을 좋아하는 것처럼 들리지만 실제로는 그렇지 않은 경우도 있습니다. 이것이 바로 넷플릭스, 스포티파이, 아마존 뒤에 있는 디지털 엔진이자 당신이 다음에 무엇을 원할지 추측하려는 추천 시스템의 세계입니다. 이러한 추측을 하기 위해 컴퓨터는 **그래프 신경망(GNN)**이라고 불리는 것을 사용합니다. GNN을 모든 독자와 모든 책 사이의 전체적인 연결망을 살펴보는 초스마트 사서라고 생각해보세요. 하지만 이 사서에게는 문제가 하나 있습니다. 도서관이 너무 조용하거나(희소한 데이터) 너무 시끄러우면(나쁜 피드백), 사서는 혼란에 빠져 당신이 싫어할 만한 책을 추천하기 시작한다는 것입니다.

과학자들이 던지는 핵심 질문은 이것입니다: 어떻게 하면 이 사서가 소음을 무시하고, 데이터가 엉망인 상황에서도 진짜 패턴을 찾아내도록 가르칠 수 있을까? 그 답은 보통 **대조 학습(contrastive learning)**을 포함하는데, 이는 사서에게 동일한 이야기의 약간씩 다른 두 버전을 비교하여 무엇이 변하지 않는지(진실)와 무엇이 변하는지(소음)를 확인하도록 요청하는 것과 같습니다. 하지만 대부분의 기존 방식은 도서관 선반을 무작위로 흔들거나 가짜 책을 추가하여 소음을 해결하려 하는데, 이는 자칫 나쁜 것과 함께 좋은 것까지 버리게 될 위험이 있습니다.

이 논문은 COMPASS(사회적 신호가 유도된 대조적 다중 분해 접근법)라는 이름의 새롭고 영리한 사서를 소개합니다. COMPASS는 선반을 무작위로 흔드는 대신, 도서관을 층별로 볼 수 있는 특별한 안경을 사용합니다. 이 안경은 모두가 좋아하는 '큰 그림'(전역 패턴)을 보고, 그다음에는 단 몇 명만이 좋아하는 아주 구체적인 세부 사항(지역적 세부 사항)을 확대해서 봅니다. 또한 친구들이 책에 대해 말하는 것에 귀를 기울이지만, 이를 엄격한 규칙이 아닌 부드러운 제안으로만 받아들입니다. 연구진은 음악, 영화, 도서의 실제 데이터를 사용하여 테스트를 진행했으며, COMPASS가 소음을 무시하고 훌륭한 추천을 제공하는 데 훨씬 더 뛰어나다는 것을 발견했습니다. 특히 데이터가 매우 지저질 않거나 사용자가 아직 책을 많이 읽지 않았을 때도 효과적이었습니다.

문제점: 소음이 가득한 도서관

당신의 친구가 무엇을 먹기 좋아하는지 알아내려고 노력한다고 상상해 보세요. 당신이 "피자 좋아해?"라고 물었을 때 친구가 "응"이라고 대답했습니다. 하지만 만약 그 친구가 그냥 예의상 대답했거나, 혹은 배가 고파서 모든 것에 "응"이라고 답한 것이라면 어떨까요? 온라인 추천의 세계에서는 이런 일이 항상 일과처럼 일어납니다. 사용자들은 실제로 좋아하지 않는 것을 클릭하기도 하고, 구매하지 않고 그냥 둘러보기만 하기도 합니다. 이것을 **노이즈가 섞인 암묵적 피드백(noisy implicit feedback)**이라고 부릅니다.

당신이 무엇을 좋아할지 추측하려는 기존의 컴퓨터 프로그램(추천 시스템)은 종-종 모든 클릭을 완벽한 진실로 취급합니다. 그들은 사용자와 아이템을 연결하는 거대한 지도(그래프)를 구축합니다. 하지만 지도에 잘못된 연결이 너무 많으면 컴퓨터는 길을 잃습니다. 이는 도시의 절반의 표지판이 엉뚱한 곳을 가리키고 있는 곳에서 길을 찾는 것과 같습니다. 기존의 많은 방법은 일부 연결을 무작위로 삭제하거나 가짜 연결을 추가하여 어떤 일이 일어나는지 관찰함으로써 이를 해결하려 합니다. 하지만 이는 깨진 지도를 고치기 위해 지점에 다트를 던지며 운 좋게 정답을 맞히길 바라는 것과 비슷합니다. 이는 종종 나쁜 단서와 함께 좋은 단서까지 제거해 버립니다.

해결책: COMPASS와 그 특별한 안경

이 논문의 저자인 Mohammad Aliabadi, Alireza Abdollahpouri, Parham Moradi는 COMPASS라는 새로운 시스템을 만들었습니다. COMPASS는 어떤 연결이 진짜인지 무작위로 추측하는 대신, **특이값 분해(Singular Value Decomposition, SVD)**라는 수학적 기법을 사용합니다.

SVD를 도서관의 거대하고 무질서한 사진을 찍어 명확한 층들로 나누는 방법이라고 생각해 보세요.

1. 저계수 층 (The Low-Rank Layer - 큰 그림): 이 층은 가장 뚜렷한 패턴을 보여줍니다. 드론으로 도서관을 보는 것과 같습니다. 주요 통로와 가장 인기 있는 구역을 명확하게 볼 수 있습니다. 이는 책을 많이 읽지 않은 사용자(희소한 사용자)에게 유용한데, 모든 사람이 좋아하는 것에 기반하여 안전하고 일반적인 추천을 제공하기 때문입니다.
2. 고계수 층 (The High-Rank Layer - 미세한 디테일): 이 층은 아주 작고 구체적인 세부 사항을 보여주기 위해 줌인합니다. 이는 특정 통로를 걸어가며 특정 인물이 아주 생소한 장르를 매우 좋아한다는 사실을 알아차리는 것과 같습니다. 이는 책을 많이 읽은 사용자(활성 사용자)에게 유용한데, 그들의 독특하고 구체적인 취향을 포착하기 때문입니다.

대부분의 시스템은 이 중 하나의 층만 봅니다. 그러나 COMPASS는 Gumbel-Softmax 안경을 씁니다. 이 안경은 각 개인에 대해 '큰 그림'을 얼마나 볼 것인지, 아니면 '미세한 디테일'을 얼마나 볼 것인지를 자동으로 결정합니다. 당신이 새로운 사용자라면 안경은 큰 그림에 집중합니다. 만약 당신이 열혈 팬이라면 안경은 디테일을 향해 줌인합니다. 이 과정은 컴퓨터가 지시받지 않아도 자동으로 이루어집니다.

사회적 속삭임 (The Social Whisper)

COMPASS는 또한 당신의 친구들에게 귀를 기울이지만, 매우 조심스럽게 행동합니다. 많은 시스템에서는 친구가 무언가를 좋아하면 컴퓨터가 당신도 그것을 좋아하도록 강제합니다. 하지만 만약 당신의 친구가 이상한 행동을 하는 것이라면 어떨까요? COMPASS는 사회적 연결을 부드러운 속삭임으로 취급합니다. "헤이, 네 친구가 이걸 좋아하니까 너도 그럴 수도 있어"라고 말하지만, 이를 강요하지는 않습니다. 만약 컴퓨터가 친구의 취향이 당신의 실제 행동과 일치하지 않는다고 판단하면, 그 속삭임을 무시합니다. 이는 사회적 연결이 가짜이거나 약하더라도 시스템이 견고함을 유지할 수 있도록 돕습니다.

균형 잡기

이 모든 일을 동시에 수행하도록 컴퓨터를 훈련시키는 것은 까다로운 일입니다. 컴퓨터는 아이템을 추천하는 주 업무를 수행하면서 동시에 노이즈를 무시하는 부가 업무도 배워야 합니다. 만약 노이즈를 무시하는 데 너무 집중하면, 추천하는 법을 잊어버릴 수 있습니다. 반대로 추천에 너무 집중하면 노이즈 때문에 혼란에 빠질 수 있습니다.

저자들은 그래디언트 균형 가중치(gradient-balanced weighting) 전략을 사용했습니다. 무게 중심이 끊임없이 조정되는 시소라고 상상해 보세요. 컴퓨터는 각 부분을 배우는 것이 얼마나 어려운지 관찰하며, 균형을 유지하기 위해 자동으로 무게를 이동시킵니다. 이는 컴퓨터가 한쪽이 다른 쪽을 압도하지 않도록 두 가지 기술을 모두 완벽하게 배우도록 보장합니다.

연구 결과

연구팀은 Yelp(비즈니스), LastFM(음악), Douban(도서)이라는 세 가지 실제 데이터셋을 통해 COMPASS를 테스트했습니다. 그리고 이를 10개의 다른 최상위 시스템들과 비교했습니다.

• 더 높은 정확도: COMPASS는 일관되게 다른 시스템들을 이겼습니다. Douban 데이터셋에서, COMPASS는 다음으로 우수한 시스템과 비교했을 때 정확도(NDCG@20으로 측정)를 최대 5.76% 향상시켰습니다. 숫자가 작아 보일 수 있지만, 추천 엔진의 세계에서 이는 엄청난 승리입니다.
• 노이즈 처리 능력: 연구진은 의도적으로 데이터에 "노이즈"를 추가하여 상호작용의 20%를 가짜로 만들었습니다. 이 정도의 오염에도 불구하고 COMPASS는 여전히 잘 작동한 반면, 다른 시스템들은 성능이 급락했습니다. 이는 COMPASS가 가짜 신호를 무시하는 데 매우 뛰어나다는 것을 시사합니다.
• 새로운 사용자 지원: 이 시스템은 상호작용이 매우 적은 사용자(희소한 사용자)를 돕는 데 특히 뛰어났습니다. 이들에게 '큰 그림'에 집중함으로써, 데이터가 거의 없는 상황에서도 좋은 추측을 할 수 있었습니다.
• 속도: 이 모든 추가적인 수학 연산을 수행함에도 불구하고, 시스템은 크게 느려지지 않았습니다. 추가 계산(SVD 층)은 훈련이 시작되기 전에 한 번 수행되었으므로, 실제 학습 과정 중에는 다른 시스템들과 똑같이 빨랐습니다.

요약

이 논문은 훌륭한 추천 시스템의 비결이 단순히 더 많은 데이터를 갖거나 섞여 있는 노이즈를 더 많이 넣는 것이 아니라는 점을 시사합니다. 그것은 데이터를 다양한 각도에서 바라보는 것입니다. 사용자-아이템 연결을 '큰 그림'과 '미세한 디테일'의 층으로 나누고, 시스템이 각 개인에 대해 어떤 각도에 집중할지 결정하게 함으로써, 우리는 더 스마트하고, 더 견고하며, 인간의 복잡한 행동 양식을 더 잘 다루는 시스템을 구축할 수 있습니다.

저자들은 이 방식이 효과적이지만 여 still 성장할 여지가 있다고 언급했습니다. 향 향후 연구에는 어떤 친구가 신뢰할 수 있는지 파악하여 "사회적 속삭임"을 더욱 똑똑하게 만들거나, 동일한 다중 계층 아이디어를 사회적 네트워크 자체에 적용하는 것 등이 포함될 수 있습니다. 하지만 현재로서는, COMPASS는 약간의 구조적 분해가 우리의 디지털 추천을 조금 더 인간답게 만드는 데 큰 역할을 한다는 것을 보여줍니다.