Continuous Temporal Line Graphs for News Recommendation: A Novel Approach to Modeling User Interest Drift

방대한 온라인 뉴스의 소용돌이 속에서, 자신에게 진정으로 중요한 이야기를 찾는 것은 점점 더 어려워지고 있습니다. 매분 발행되는 기사의 양이 너무나 방대하기 때문에, 도움 없이는 독자가 관련 없거나 시대에 뒤떨어진 콘텐츠의 바다에 빠져버릴 수 있습니다. 이것이 바로 개인화된 추천의 문제입니다. 시스템은 사용자가 이전에 무엇을 읽었는지를 바탕으로 다음에 무엇을 읽고 싶어 할지 추측해야 합니다. 오랫동안 컴퓨터 과학자들은 사용자의 이력을 정적인 목록으로 취급하여, 만약 누군가 어제 정치 기사를 좋아했다면 오늘도 그것을 원할 가능성이 높다고 가정함으로써 이 문제를 해결하려 노력해 왔습니다. 그러나 인간의 주의력은 정적인 목록이 시사하는 것보다 훨씬 더 유동적입니다. 우리의 관심사는 변화합니다. 국제 정치에 대해 몇 시간 동안 읽던 사람이 돌발적인 사건, 기분의 변화, 또는 단순히 한 가지 주제를 충분히 보았다는 이유로 갑자기 스포츠나 엔터테인먼트로 전환할 수 있습니다. 추천 시스템의 과제는 단순히 사용자가 무엇을 좋아하는지 기억하는 것이 아니라, 그들의 마음이 변하는 순간을 포착하고 즉각적으로 적응하는 것입니다.

노스웨스턴 폴리테크닉 대학교(Northwestern Polytechnical University)의 연구진은 이러한 급격한 관심사의 변화를 추적하는 새로운 방법을 개발했습니다. 그들은 CTLGNN, 즉 연속적 시간 선형 그래프 신경망(Continuous Temporal Line Graph Neural Network)이라 불리는 시스템을 만들었습니다. 이 새로운 접근 방식은 사용자의 이력을 단순한 클릭 순서나 고정된 프로필로 보는 대신, 사람과 뉴스 기사 사이의 모든 개별적인 상호작용을 다음 상호작용에 영향을 미치는 고유한 이벤트로 취급합니다. 연구진은 기존 방식들이 시간적으로 가깝게 일어나는 두 클릭 사이의 미묘하고 즉각적인 연결을 놓치는 경우가 많다는 점을 깨달았습니다. 이를 해결하기 위해, 그들은 단순히 사용자나 기사 자체에 집중하는 것이 아니라, 이러한 상호작용들 사이의 관계에 초점을 맞춘 모델을 구축했습니다.

그들 혁신의 핵심은 관점의 전환에 있습니다. 점들이 사용자와 뉴스 기사를 나타내고, 그 점들을 잇는 선들이 클릭을 나타내는 그래프를 상상해 보십시오. 대부분의 시스템은 사용자를 이해하기 위해 그 점들을 분석합니다. 그러나 이 새로운 시스템은 그 연결선들을 점 그 자체로 바꿉니다. 이 모델에서 사용자가 뉴스 기사를 클릭할 때마다, 그 특정 클릭은 새로운 특수 그래프의 노드가 됩니다. 만약 사용자가 짧은 간격으로 두 개의 서로 다른 기사를 클릭하거나, 서로 다른 두 사용자가 동일한 기사를 클릭하면, 이 "클릭 노드"들은 서로 연결됩니다. 이를 통해 컴퓨터는 행동의 흐름을 직접 관찰할 수 있습니다. 컴퓨터는 최근의 스포츠 기사 클릭이 어떻게 다음 클릭의 맥락을 즉시 변화시키는지 관찰할 수 있으며, 패턴이 나타날 때까지 기다리는 것이 아니라 관심사의 변화를 발생하는 즉시 포착할 수 있습니다.

사용자의 선호도 전체를 다루기 위해, 이 시스템은 함께 작동하는 두 가지 서로 다른 엔진을 사용합니다. 첫 번째 엔진은 장기적인 이력을 살펴봅니다. 이 엔진은 시간을 스냅샷으로 나누어, 사용자가 누구인지에 대한 안정적인 이해를 구축하기 위해 몇 달 또는 몇 년에 걸쳐 사용자의 관심사가 어떻게 진화했는지 분석합니다. 두 번째 엔진은 새로운 이벤트 중심 구성 요소입니다. 이 엔진은 가장 최근의 상호작용만을 살펴보며, 이를 연속적인 이벤트의 흐름으로 취급합니다. 이 두 가지 관점을 결합함으로써, 시스템은 사용자가 일반적으로 좋아하는 것과 지금 이 순간 관심을 갖는 것 사이의 균형을 맞출 수 있습니다. 만약 금융 관련 글을 주로 읽던 사용자가 갑자기 요리 레시피를 클릭하기 시작한다면, 장기 엔진은 금융에 대한 관심을 기억하지만, 단기 엔진은 요리에 대한 관심을 현재의 우선순위로 즉시 표시합니다.

연구진은 10만 명 이상의 사용자와 수백만 건의 뉴스 노출 데이터를 포함한 실제 뉴스 웹사이트의 데이터를 사용하여 이 접근 방식을 테스트했습니다. 그들은 단순한 순서 추적기부터 복잡한 그래프 모델에 이르기까지 14가지의 다른 선도적인 방법들과 비교했습니다. 결과는 명확했습니다. 새로운 시스템은 다른 모델들을 지속적으로 압도했습니다. 사용자가 다음에 클릭할 기사를 얼마나 잘 예측하는지를 측정하는 테스트에서, 이 시스템은 이전의 어떤 모델보다 높은 정확도와 관련성 점수를 달양했습니다. 구체적으로, 한 데이터셋에서는 84.15%의 정확도 점수에 도달하여 차순위 모델을 크게 앞질렀습니다. 또 다른 데이터셋에서는 99.18%의 랭킹 점수를 기록하며, 올바른 기사를 목록 최상단에 배치하는 데 매우 탁월함을 보여주었습니다.

연구는 또한 시스템의 일부를 제거했을 때 어떤 일이 일어나는지 확인함으로써 왜 이 시스템이 잘 작동하는지를 탐구했습니다. 연구진이 단기 이벤트 추적 기능을 제거했을 때 시스템의 성능이 급격히 떨어졌는데, 이는 즉각적인 관심사 변화를 포착하는 것이 매우 중요하다는 것을 입증합니다. 장기 이력 구성 요소를 제거했을 때는 시스템이 사용자에 대한 일관된 이해를 유지하는 데 어려움을 겪었습니다. 이는 두 가지 관점의 결합이 최선의 결과를 위해 필수적임을 확인시켜 주었습니다. 또한 연구진은 시스템이 가장 최근의 다섯 가지 상호작용을 고려할 때 가장 잘 작동한다는 것을 발견했습니다. 다섯 번 미만의 클릭을 보는 것은 충분한 맥락을 제공하지 못했고, 다섯 번을 초과하여 보는 것은 모델을 혼란스럽게 하는 오래된 정보를 포함하기 시작했습니다. 이는 인간의 관심사 변화가 종종 매우 작고 최근의 활동 범위에 의해 주도된다는 것을 시사합니다.

상세한 사례 연구를 통해, 연구진은 그들의 모델이 다른 시스템들이 실패하는 특정 시나리오를 어떻게 처리하는지 보여주었습니다. 한 예로, 오랫동안 정치 뉴스를 읽어온 사용자가 갑자기 스포츠 기사를 클릭했습니다. 기존의 시스템들은 정치 뉴스를 계속 추천하며 변화를 알아차리지 못했습니다. 그러나 새로운 시스템은 최근의 상호작용 패턴에서 변화를 즉시 인식하고 스포츠 기사를 최우선 추천 항목으로 선정했습니다. 이 시스템은 사용자의 즉각적인 관심이 장기적인 습관을 압도했음을 성공적으로 식별했습니다. 이러한 급격한 행동 변화를 감지하고 대응하는 능력은 사용자의 주의력이 단 1분 만에 변할 수 있는 빠른 속도의 온라인 뉴스 세계에서 이 시스템을 특히 효과적으로 만드는 요소입니다.

연구진은 자신들의 시스템이 상당한 진전이지만, 여 still 할 일이 남아 있음을 인정합니다. 그들은 모델이 상호작용 이력이 제한적인 사용자들에게도 상당히 잘 일반화될 수 있다고 언급하지만, 콜드 스타트(cold-start) 문제를 해결하기 위해 특별히 제작된 것은 아니라고 밝혔습니다. 또한 그들은 이러한 복잡한 그래프를 지속적으로 구축하는 계산 비용이 높으며, 이는 실시간 애플리케이션에 도전 과제가 될 수 있다고 지적했습니다. 향후 연구는 시스템을 더 빠르고 효율적으로 만드는 것뿐만 아니라, 사용자가 원하는 것을 더 잘 이해하기 위해 이미지와 비디오 같은 다른 유형의 정보를 통합하는 것에 집중할 것입니다. 이러한 한계에도 불구하고, 이 연구는 이벤트 자체가 아니라 이벤트 사이의 연결에 집중함으로써 인간의 역동적인 관심사에 훨씬 더 부합하는 추천 시스템을 구축하는 것이 가능하다는 것을 보여줍니다.