Graph Learning for Cold-Start and Data-Scarce Recommendation: A Taxonomy-Driven Critical Survey

디지털 세상에서 우리는 끊임없이 선택을 요구받습니다. 어떤 영화를 볼지, 어떤 제품을 살지, 혹은 어떤 기사를 읽을지와 같은 선택 말입니다. 이 방대한 카탈로그를 헤쳐 나갈 수 있도록 돕기 위해, 추천 시스템이라고 불리는 컴퓨터 프로그램은 우리의 과거 행동으로부터 학습합니다. 그들은 우리가 무엇을 클릭하고, 평점을 매기고, 구매하는지를 관찰하며, 그러한 패턴을 사용하여 우리가 다음에 무엇을 좋아할지 추측합니다. 이는 연구할 수 있는 긴 상호작용 기록이 있을 때는 매우 훌륭하게 작동합니다. 하지만 시스템이 완전히 새로운 것을 마주할 때 벽에 부딪힙니다. 가입만 하고 기록이 전혀 없는 새로운 사용자나, 아직 구매되거나 조회된 적이 없는 신제품을 상상해 보십시오. 이 순간 컴퓨터는 의지할 수 있는 과거 데이터가 없습니다. 그것은 증거 자체가 존재하지 않기에 신뢰할 수 있는 추측을 형성할 수 없는 불확실성의 상태, 즉 '콜드 스타트(cold start)'에 직면합니다. 이는 새로운 아이템과 사용자가 매초 도착하는 온라인 쇼핑, 스트리밍 서비스, 소셜 미디어에서 근본적인 문제입니다.

이를 해결하기 위해 연구자들은 데이터에 대한 다른 방식의 사고로 눈을 돌렸습니다. 사용자와 아이템을 고립된 점으로 취급하는 대신, 그들을 거대하고 상호 연결된 웹의 일부로 보는 것입니다. 이 관점에서 사용자는 자신이 좋아하는 아이템들과 연결되어 있고, 그 아이템들은 다시 다른 유사한 것들, 그들의 설명, 이미지, 그리고 그 제품을 함께 구매한 사람들과 연결됩니다. 이 웹은 관계를 지도화하는 구조인 그래프(graph)입니다. 구매 이력이 없는 새로운 아이템이 나타나더라도, 시스템은 다른 것들과의 연결성을 살펴봄으로써 그 아이템에 대해 학습할 수 있습니다. 즉, 아이템의 색상, 가격, 카테고리, 또는 제조 브랜드 등을 확인하는 것입니다. 이러한 연결을 따라 이동함으로써, 컴퓨터는 알려진 웹의 부분으로부터 알려지지 않은 부분에 대한 정보를 빌려올 수 있습니다. '그래프 학습(graph learning)'이라고 알려진 이 접근법은 콜드 스타트 문제를 해결하는 주요 도구가 되었습니다.

최근 연구자 사마네 사야르(Samane Sayyar)와 아미르 솔타니(Amir Soltani)의 비판적인 서베이는 이러한 그래프 기반 접근법이 콜드 스타트 및 데이터 희소 문제를 해결하는 데 어떻게 사용되고 있는지 깊이 있게 다룹니다. 연구팀은 단순히 몇 편의 새로운 논문만을 살펴본 것이 아니라, 2018년에서 2026년 사이에 발표된 183개의 방대한 과학적 연구들을 수집하고 분석했습니다. 그들의 목표는 이러한 방법론의 전체 지형을 그려내는 것이었으며, 단순히 무엇이 효과적인지를 넘어, 연구자들이 해결하려는 문제를 어떻게 정의하고 그들의 해결책이 실제로 작동함을 어떻게 증证明하는지를 이해하는 것이었습니다. 그들은 이 분야가 영리한 기술들로 가득 차 있음에도 불구하고, 많은 연구가 주장하는 성취와 실제로 입증된 성취 사이에 상당한 격차가 있다는 것을 발견했습니다.

연구자들은 이 183개의 연구를 누락된 데이터를 메우는 방식에 따라 명확한 프레임워크로 분류했습니다. 어떤 방법들은 새로운 아이템이 구매되기 전이라도 이를 설명할 수 있는 풍부한 묘사(이미지나 텍스트 등)에 의존합니다. 다른 방법들은 지식 그래프(knowledge graphs)라고 알려진 방대한 사실 데이터베이스를 사용하여, 새로운 제품을 '러닝'이나 '가죽'과 같은 유사한 개념에 연결합니다. 어떤 접근법은 적은 양의 데이터로 새로운 상황에 빠르게 적응하는 '학습하는 법을 배우는 법'을 시도하며, 또 다른 방식은 실제 데이터가 부족할 때 시스템을 훈련시키기 위해 추가적인 연습 데이터를 생성합니다. 서베이에 따르면 이러한 전략들은 종-종 결합되어 사용됩니다. 하나의 시스템이 새로운 사용자에 대한 추측을 하기 위해 이미지, 사실, 그리고 빠른 학습 기술을 모두 동시에 사용할 수 있습니다.

그러나 이 서베이의 가장 중요한 발견은 어떤 방법이 가장 빠르거나 복잡한가에 대한 것이 아니라, 결과가 어떻게 측정되는가에 관한 것입니다. 연구자들은 이 분야가 '콜드 스타트'를 정의하는 방식에서 명확한 결여로 인해 혼란을 겪고 있다는 것을 발견했습니다. 많은 연구에서 연구자들은 콜드 스타트 문제를 해결했다고 주장하지만, 실제로는 아이템이 전혀 이력이 없는 상태가 아니라 단지 몇 번의 상호작용이 있는 상태를 대상으로 테스트하고 있었습니다. 서-베이 결과, 검토한 183개의 연구 중 엄격한 의미에서 훈련 과정 중에 전혀 본 적 없는 사용자나 아이템에 대해 자신들의 방법이 작동한다는 엄격한 증거를 제공한 연구는 단 49개, 즉 약 27%에 불과했습니다. 대다수인 약 73%의 연구는 시스템이 최소한 제한적인 이력이라도 가지고 있거나, 데이터가 완전히 없는 것이 아니라 단순히 희소한 시나리오에서 테스트를 진행했습니다.

이러한 구분은 매우 중요합니다. 사용자가 몇 개의 아이템을 클릭했을 때 잘 작동하는 방법은, 그 사용자가 아무것도 클릭하지 않았을 때는 완전히 실패할 수 있기 때문입니다. 서베이는 많은 인기 있는 기술들, 특히 추가적인 훈련 신호를 생성하기 위해 자기 지도 학습(self-supervised learning)이나 대조 학습(contrastive methods)을 사용하는 방식들이 일반적인 데이터 희소성을 처리하는 데는 탁-훌하지만, 반드시 가장 엄격한 형태의 콜드 스타트에 작동한다는 것이 증명된 것은 아니라고 지적합니다. 연구자들은 이 분야가 '저차수(low-degree)' 아이템(즉, 몇 개의 연결을 가진 아이템)을 대상으로 테스트하면서 이를 콜드 스타트 솔루션이라고 라벨링하는 것에 너무 안주해 있다고 주장합니다. 이는 시스템이 새로운 사용자를 더 잘 다루는 것처럼 보이게 만들지만, 정작 진정으로 새로운 사용자에게는 여전히 눈이 먼 상태일 수 있다는 오해를 불러일으키는 잘못된 진보의 그림을 만듭니다.

또한 이 서베이는 '사이드 정보(side information)'의 결정적인 역할을 강조합니다. 시스템에 사용자의 이력이 없을 때, 시스템은 사용자의 위치, 사용하는 기기, 또는 프로필 텍스트와 같은 다른 세부 정보에 의존해야 합니다. 연구자들은 그래프 방법이 이러한 종류의 신뢰할 수 있는 외부 정보와 결합될 때 가장 효과적이라는 것을 발견했습니다. 그러나 그들은 또한 많은 연구가 테스트 중에 시스템이 어떤 정보를 사용할 수 있었는지 명확하게 보고하지 않는다고 경고합니다. 만약 새로운 방법이 제품의 상세한 이미지를 사용하여 추측을 내놓는데, 비교 대상이 되는 시스템은 그 이미지를 볼 수 없다면, 그 새로운 방법은 공정하게 테스트되지 않은 것입니다. 서베이는 연구자들이 예측 순간에 어떤 정보가 가용한지를 명시적으로 밝히고, 비교가 공정하게 이루어지도록 보장해야 한다는 새로운 표준을 촉구합니다.

미래를 전망하며, 저자들은 차세대 솔루션이 아마도 하이브리드 형태가 될 것이라고 제안합니다. 이미지, 사실, 혹은 빠른 학습 알고리즘 중 그 어떤 단일 기술도 만능 열쇠(silver bullet)가 될 수는 없습니다. 가장 유망한 경로는 그래프의 구조를 다양한 유형의 사이드 정보 및 엄격한 테스트와 결합하는 것입니다. 그들은 또한 텍-스트 설명을 이해하기 위해 대규모 언어 모델(LLM)을 사용하는 것과 같은 신흥 분야를 언급하면서도, 이것들이 아직 초기 단계이며 오류나 편향을 도입하지 않는지 주의 깊은 평가가 필요하다고 언급했습니다. 서베이는 이 분야가 앞으로 나아가기 위해서 연구자들이 서로 다른 유형의 데이터 희소성을 혼동하는 것을 멈춰야 한다고 결론짓습니다. 그들은 몇 번의 클릭을 가진 사용자를 다루는 과제와 아무것도 클릭하지 않은 사용자를 다루는 과제를 명확히 분리해야 하며, 진정한 콜드 스타트 시나리오를 테스트하는 벤치마크를 구축해야 합니다. 오직 그렇게 함으로써만 우리는 매일 도착하는 새로운 사용자와 새로운 제품에 진정으로 대비할 수 있는 추천 시스템을 구축할 수 있습니다.