디지털 시대에 우리는 끊임없이 타인의 조언을 신뢰하도록 요구받습니다. 스트리밍 서비스가 영화를 제안하거나 쇼핑 사이트가 제품을 추천할 때, 이는 과거에 유사한 것을 좋아했던 사람들이 미래에도 같은 것을 좋아할 것이라는 논리에 기반합니다. 이것이 현대 추천 시스템의 기초입니다. 그러나 현실 세계에서 우리의 사회적 연결은 우리의 취향을 완벽하게 투영하는 거울인 경우가 드뭅니다. 우리는 함께 자랐거나 같은 사무실에서 근무한다는 이유로 누군가와 친구가 될 수 있지만, 정작 취미는 완전히 다를 수 있습니다. 컴퓨터 알고리즘이 모든 우정을 공유된 관심사의 징후로 취급할 때, 이러한 약하거나 무관한 연결에 의해 오도될 위험이 있습니다. 이 노이즈는 시스템을 혼란스럽게 하여 사용자가 실제로 즐기지 않을 아이템을 제안하게 만들 수 있습니다.

산동 공과대학교(Shandetong University of Technology)의 연구진은 이 문제를 해결하기 위해 새로운 접근 방식을 개발했으며, 컴퓨터가 진정한 공유된 관심과 단순한 사회적 연결을 구별하도록 가르침으로써 디지털 추천을 더 똑똑하게 만드는 것을 목표로 하고 있습니다. 그들은 이 방법을 RGDRec라고 부릅니다. 모든 사회적 링크를 가이드로 맹목적으로 받아들이는 대신, 이 시스템은 마치 세심한 편집자처럼 최종 제안에 영향을 미치기 전에 각 관계의 신뢰성을 평가합니다. 연구진은 신뢰할 수 없는 연결을 걸러내고 남은 연결들을 사용자의 실제 행동과 얼마나 잘 일치하는지에 따라 가중치를 부여함으로써, 사회적 데이터가 지저분하거나 주의를 분산시키는 요소가 많을 때도 추천의 정확도를 크게 향상시킬 수 있음을 발견했습니다.

연구팀이 다룬 핵심 과제는 현실 세계의 사회적 네트워크가 종종 노이즈가 많다는 점입니다. 전형적인 소셜 그래프(누가 누구와 연결되어 있는지를 나타내는 지도)에서 많은 링크는 진정한 취향의 유사성을 반영하지 않습니다. 사용자는 자신이 동경하는 유명인을 팔로우하지만 그 유명인이 홍보하는 제품을 전혀 구매하지 않을 수도 있고, 혹은 공통된 관심사가 전혀 없는 친구와 연결되어 있을 수도 있습니다. 표준적인 추천 알고리즘이 이러한 네트워크를 통해 정보를 확산시킬 때, 그들은 모든 연결을 동일하게 중요하게 취급합니다. 즉, 노이즈가 섞였거나 약한 링크가 강하고 관련성 높은 링크로부터 오는 신호를 희석시켜, 시스템이 사용자가 원하는 것에 대해 잘못된 추측을 하게 만듭니다. 연구진은 이를 해결하기 위해 사용자의 선호도를 학습하기 전에 각 사회적 유대의 신뢰성을 측정할 방법이 필요하다는 것을 깨달았습니다.

이를 해결하기 위해 연구팀은 사회적 정보의 필터 역할을 하는 2단계 프로세스를 설계했습니다. 먼저, 시스템은 원시 데이터를 살펴보고 특정 우정이 얼마나 신뢰할 수 있는지에 대한 초기 추측을 형성합니다. 시스템은 두 가지 사항을 확인하여 이를 수행합니다. 첫째, 두 사람이 과거에 실제로 동일한 제품이나 콘텐츠에 얼마나 상호작용했는지, 둘째, 그 친구가 광범위한 사회적 네트워크 내에서 얼마나 중심적인 위치에 있는지입니다. 만약 두 친구가 많은 책을 함께 구매했거나 같은 식당을 방문했다면, 시스템은 그들의 연결을 매우 신뢰할 수 있는 것으로 표시합니다. 만약 공유된 이력이 없다면, 그 연결은 잠재적으로 약한 것으로 분류됩니다. 이 초기 평가는 최종 결정이 아니라, 해당 특정 우정이 정보를 전달하는 데 사용될 가능성을 결정하는 확률 점수입니다.

시스템이 이러한 신뢰도 점수를 확보하면, 단순히 약한 링크를 삭제하는 데 그치지 않고 동적인 선택 과정을 사용합니다. 학습 단계 동안, 시스템은 신뢰도 점수에 근거하여 특정 사회적 연결을 계산에 포함할지 여부를 무작위로 결정합니다. 신뢰도가 높은 연결은 거의 항상 포함되는 반면, 신뢰도가 낮은 연결은 빈번하게 제외됩니다. 이 과정은 시스템이 학습하는 동안 반복적으로 일어나며, 이를 통해 시스템은 사회적 데이터를 다양한 조합으로 탐색하면서도 정보를 영구적으로 버리지 않고 적응적으로 가장 유용한 연결에 집중할 수 있게 합니다.

두 번째 단계는 선택된 연결의 영향력을 미세 조정하는 것입니다. 신뢰할 수 있는 친구들 사이에서도 특정 추천 작업에 더 관련 있는 이들이 있을 수 있습니다. 시스템은 학습 가능한 메커니즘을 사용하여 각 연결의 가중치를 조정하며, 이는 본질적으로 각 이웃에게 얼마나 많은 주의를 기울일지 결정하는 것입니다. 이를 통해 모델은 사용자의 관심사를 진정으로 공유하는 친구들의 목소리는 증폭시키고, 느슨하게 연결된 이들의 영향력은 약화시킬 수 있습니다. 이러한 선택적 필터링과 세심한 영향력 조정을 결합함으로써, 시스템은 일반적인 사회적 추천 모델을 괴롭히는 정적 노이즈로부터 벗어나 사용자의 선호도에 대한 훨씬 더 깨끗한 그림을 구축합니다.

사회적 필터링이 최종 추천에 실제로 도움이 되는지 확인하기 위해, 연구진은 교차 도메인 대조 학습(cross-domain contrastive learning) 단계를 추가했습니다. 이는 사회적 정보가 사용자의 실제 구매 또는 시청 이력과 일치하도록 시스템을 훈련하는 방법입니다. 시스템은 사회적 네트워크에서 유도된 사용자의 표현(representation)과 아이템과의 직접적인 상호작용에서 유도된 표현을 비교합니다. 시스템은 이 두 관점이 동일 인물로부터 나온 경우 서로 일치하도록 장려하고, 다른 사람으로부터 나온 경우 서로 밀어내도록 합니다. 이는 사회적 정보가 단순히 무작위적인 사회적 잡담이 아니라 진정으로 선호도를 예측하는 데 도움이 되는지 확인하는 검사 역할을 합니다. 결정적으로, 최종 추천은 여전히 사용자의 직접적인 상호작용 이력을 바탕으로 이루어지며, 사회적 데이터는 학습 과정 중에 오직 보조적인 가이드 역할만을 수행합니다. 이러한 설계는 사회적 네트워크의 남은 노이즈가 최종 제안 목록을 직접적으로 오염시키는 것을 방지합니다.

연구팀은 Yelp, Douban, Ciao와 같은 플랫폼의 사용자 정보를 담은 세 개의 대규모 실제 데이터셋을 사용하여 이들의 방법을 테스트했습니다. 이 데이터셋들은 수백만 건의 상호작용과 사회적 연결을 포함하고 있어, 노이즈를 처리하는 시스템의 능력을 테스트하기 위한 엄격한 환경을 제공했습니다. 결과에 따르면, 그들의 방법인 RGDRec은 기존의 최첨단 모델들을 지속적으로 능가했습니다. 시스템은 관련 아이템이 상위 10개 또는 20개 제안에 등장하는 정도를 측정하는 표준 지표를 통해, 사용자가 좋아할 아이템을 예측하는 데 있어 더 높은 정확도를 달alog했습니다. 이러한 개선은 세 가지 데이터셋 모두에서 눈에 띄게 나타났으며, 이는 이 접근 방식이 데이터의 유형이나 사회적 네트워크의 밀도와 관계없이 견고하고 효과적임을 시사합니다.

그들의 방법이 단순히 운이 좋았던 것이 아니라 실제로 노이즈를 걸러내고 있다는 것을 증명하기 위해, 연구진은 스트레스 테스트를 실시했습니다. 그들은 사회적 네트워크가 심하게 오염된 시나리오를 시뮬레이션하기 위해 데이터셋에 다수의 가짜 무작위 사회적 연결을 인위적으로 주입했습니다. 가짜 연결의 수가 실제 연결의 두 배가 되는 상황에서도 시스템은 성능을 유지했습니다. 분석 결과, 시스템은 이러한 주입된 노이즈 연결에 매우 낮은 가중치를 자연스럽게 할당하여, 실제 신뢰할 수 있는 링크에는 높은 중요성을 부여하면서도 이들을 효과적으로 무시한다는 것을 보여주었습니다. 이는 신뢰도 가이드 메커니즘이 노이즈를 성공적으로 식별하고 억제하여 극단적인 조건에서도 추천 품질을 안정적으로 유지했음을 입증했습니다.

추가 분석을 통해 시스템의 성공이 두 가지 주요 구성 요소의 결합에서 왔음이 밝혀졌습니다. 신뢰도 필터링을 제거했을 때 성능이 하락했는데, 이는 사회적 데이터를 품질 확인 없이 단순히 사용하는 것만으로는 충분하지 않음을 확인시켜 줍니다. 마찬가지로 교차 도메인 학습 단계를 제거했을 때도 성능이 저하되었으며, 이는 사회적 데이터를 실제 사용자 행동과 일치시키는 것이 필수적임을 보여줍니다. 이 연구는 사회적 정보를 사용하는 가장 효과적인 방법은 그것을 고정된 진리의 지도로 취급하는 것이 아니라, 사용자의 실제 행동과 얼마나 잘 일치하는지에 따라 끊임없이 평가하고 가중치를 두어야 하는 동적인 단서로 취급하는 것임을 시사합니다.

연구진은 현재의 방법이 정적인 데이터(과거의 상호작용 및 네트워크 구조 등)에 의존하고 있어, 시간에 따라 변하거나 특정 맥락에 따라 달라지는 관계의 복잡성을 완전히 포착하지 못할 수 있다는 점을 인정합니다. 또한 그들은 자신들의 노이즈 시뮬레이션이 효과적이기는 하지만, 나쁜 연결이 여전히 미묘한 영향력을 미칠 수 있는 현실 세계의 복잡한 사회적 네트워크보다는 단순하다는 점을 언급했습니다. 그러나 이 연구는 우리가 누구와 연결되어 있는지와 우리가 실제로 무엇을 좋아하는지 사이의 간극을 더 잘 탐색할 수 있는 미래 시스템을 위한 강력한 토대를 제공합니다. 알고리즘이 사회적 유대에 대해 회의적인 태도를 갖도록 가르치고 공유된 관심의 증거를 우선시하게 함으로써, 이 연구는 통계적으로 확률이 높은 것을 넘어 진정으로 도움이 된다고 느껴지는 추천을 향한 더 명확한 경로를 제시합니다.