Anderson의 관점

리뷰를 사용하여 작동하는 추천 시스템 만들기

Martin Anderson
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트RI-GNN은 단순한 카테고리 인접성을 넘어 실제 아이템 의존성을 매핑하기 위해 외부 리뷰 데이터를 활용합니다.
더 보기
  • RI-GNN은 단순한 카테고리 인접성을 넘어 실제 아이템 의존성을 매핑하기 위해 외부 리뷰 데이터를 활용합니다.
  • 이 시스템은 Amazon Pet Supplies 및 Movies and TV 데이터셋에서 최신 방법론들을 능가하는 성능을 보였습니다.
  • 익명 세션은 사용자 로그인이나 기록 없이도 관계를 도출할 수 있는 RI-GNN의 기능 덕분에 이점을 얻습니다.

온라인에서 제품을 구매한 뒤 구매 과정과 구매 이후에도 따라다니는 엉뚱하고 쓸모없는 관련 상품을 보고 의아했던 적이 있다면, 널리 쓰이는 추천 시스템도 구매 후보들 사이의 관계를 제대로 이해하지 못한다는 점을 이미 알고 있을 것입니다.

오븐처럼 좀처럼 사지 않는 품목을 구매한다면 다른 오븐을 추천하는 것은 대개 불필요하지만, 최악의 추천 시스템은 이를 인식하지 못합니다. 예를 들어 2000년대 TiVO의 추천 시스템은 한 사용자의 성적 지향을 잘못 추정해 초기 논란을 일으켰습니다. 그 사용자는 전쟁 영화를 선택해 자신의 프로필을 다시 남성적인 방향으로 바꾸려 했습니다. 알고리즘을 고치기 위한 투박한 대응이었습니다.

더 나쁜 점은 아마존에서 실제로 무언가를 사거나 주요 스트리밍 플랫폼에서 설명을 살펴보던 영화를 재생하지 않아도 된다는 것입니다. 정보가 부족한 추천 알고리즘은 검색, 페이지에 머문 시간, 상세 페이지 클릭만으로도 엉뚱한 방향으로 나아갈 수 있습니다. 이처럼 적고 아마도 부정확한 정보가 이후의 플랫폼 탐색 세션에도 계속 반영될 수 있습니다.

추천 시스템이 잊도록 만들기

때로는 개입할 수 있습니다. 넷플릭스의 좋아요·싫어요 기능은 이론상 머신러닝 알고리즘이 추천 프로필에 들어간 특정 개념과 단어를 제거하도록 돕습니다. 다만 그 효과에는 의문이 제기됐으며, 개인화 추천 알고리즘을 처음부터 만드는 편이 원치 않는 온톨로지를 제거하는 것보다 훨씬 쉽습니다. 아마존은 고객 기록에서 항목을 삭제할 수 있게 해 추천에 들어온 원치 않는 분야의 비중을 낮추도록 합니다.

훌루에도 비슷한 기능이 있습니다. HBO 맥스는 현재의 한계 때문에 알고리즘만 사용하는 추천 시스템에서 부분적으로 물러났습니다.

이런 소비자 차원의 경험은 수동적으로 작동하는 광고 플랫폼 추천 시스템에 대한 광범위하고 커지는 비판에는 미치지도 못합니다. 이 분야에서는 대중의 반발로 주목할 변화가 예고됐습니다. 소셜 미디어의 AI 추천 역시 뜨거운 논쟁거리입니다. 유튜브, 트위터, 페이스북 같은 사이트는 관련이 없거나 심지어 해로운 추천으로 계속 비판받고 있습니다.

기계는 검색 결과에 나온 인접한 상품을 원하는 경우가 아니면 우리가 무엇을 원하는지 모르는 듯합니다. 그 상품이 방금 구매한 주된 상품을 보완하는 추가 구매 대상이 아니라 사실상 중복 상품이나 대체품일 때도 마찬가지입니다.

리뷰 데이터로 정확한 추천 만들기

중국과 호주의 공동 연구진은 외부 사용자 리뷰로 쇼핑 세션의 상품 간 실제 관계를 더 잘 이해해 이런 부적절한 추천을 해결하는 새로운 방법을 제안합니다. 테스트에서 이 아키텍처는 현재의 최첨단 방법을 모두 능가했으며, 상품 간 의존성을 내부적으로 더 잘 파악하는 추천 시스템의 가능성을 보여줬습니다.

RI-GNN은 상품 간 관계의 정확도에서 주요 경쟁 방법을 능가하며, 상품이 다섯 개를 초과하는 세션에서 가장 좋은 성능을 보입니다. 시스템은 Amazon Review Data(2018)의 Pet Supplies와 Movies and TV 데이터셋으로 테스트됐습니다. 출처: https://arxiv.org/pdf/2201.12532.pdf

RI-GNN은 상품 간 관계의 정확도에서 주요 경쟁 방법을 능가하며, 상품이 다섯 개를 초과하는 세션에서 가장 좋은 성능을 보입니다. 시스템은 Amazon Review Data(2018)의 Pet Supplies와 Movies and TV 데이터셋으로 테스트됐습니다.  출처: https://arxiv.org/pdf/2201.12532.pdf

이 프로젝트는 익명 세션에서도 추천을 생성해야 하는 중요한 과제를 다룹니다. 이런 세션에서는 추천 시스템이 구매 기록이나 사용자가 이전 구매에 대해 직접 작성한 온라인 리뷰 같은 정보에 접근할 수 없습니다.

새 논문의 제목은 세션 기반 추천에서 인접 의존성 재고찰입니다. 중국의 Qilu University of Technology와 Beijing Institute of Technology, 멜버른의 RMIT University, University of Technology Sydney의 Australian Artificial Intelligence Institute 연구진이 참여했습니다.

다음 상품은 무엇일까?

세션 기반 추천(SBR)의 핵심은 현재 상품과의 계산된 관계를 바탕으로 다음 상품을 결정하는 것입니다. 실제로는 전자상거래 사이트의 새장 상품 페이지에 표시되는 관련 상품 목록 같은 형태로 나타날 수 있습니다.

새장을 산다면 무엇이 더 필요할까요? 적어도 그 안에 넣을 새가 필요합니다. 이것이 참인 의존성입니다. 하지만 새장은 새를 판매하지 않는 반려동물 용품 온톨로지에 속합니다. 역설적으로 고양이 사료도 같은 온톨로지에 있지만, 새장 상품의 관련 상품으로 고양이 밥그릇을 추가하는 것은 거짓 의존성, 즉 잘못되고 부적절한 연관입니다.

논문에 제시된 여러 상품 간의 참·거짓 관계. 오른쪽에는 상품 간 그래프로 시각화돼 있습니다.

논문에 제시된 여러 상품 간의 참·거짓 관계. 오른쪽에는 상품 간 그래프로 시각화돼 있습니다.

머신러닝 아키텍처에서는 흔히, 멀리 떨어진 개체인 새가 반려동물 용품에 전혀 등장하지 않더라도 어떤 상품과 본질적이고 중요한 관계가 있음을 추천 시스템에 이해시키기 어렵습니다. 반면 같은 범주에 속하고 기능과 중심 개념도 매우 가까운 상품, 예를 들어 고양이 밥그릇은 고려 중인 구매와 무관하거나 정면으로 배치될 수 있습니다.

인접하지 않은 개체 사이의 이런 매핑을 만드는 유일한 방법은 크라우드소싱으로 문제를 푸는 것입니다. 이 관계들은 인간 경험의 한 측면이어서 프로그램으로 추측할 수 없으며, Amazon Mechanical Turk 같은 기존 데이터셋 라벨링 방식으로는 비용을 감당할 수 있는 범위를 넘어설 가능성이 크기 때문입니다.

따라서 연구진은 자연어 처리(NLP)로 상품 리뷰에서 중요한 단어를 추출하고, 분석한 단어의 빈도를 이용해 겉보기에는 멀리 떨어진 상품을 연결할 수 있는 임베딩, 즉 벡터 표현을 만들었습니다.

리뷰로 개선한 상품 간 그래프 신경망(RI-GNN)의 아키텍처.

리뷰로 개선한 상품 간 그래프 신경망(RI-GNN)의 아키텍처.

아키텍처와 데이터

새 논문에 따르면 비슷한 선행 연구는 로그인한 사용자가 직접 작성한 리뷰 기록으로 기초적인 매핑을 만들었습니다. DeepCONN과 RNS가 모두 이 방법을 사용했습니다. 하지만 사용자가 리뷰를 전혀 쓰지 않았거나, 평소 구매 습관에서 벗어나는 특정 상품에 관한 리뷰를 쓰지 않았을 수도 있다는 사실을 놓칩니다. 또한 사용자가 이미 판매 사이트에 충분히 관여해 계정을 만들고 로그인했다고 가정하므로 일종의 화이트박스 접근법입니다.

연구진이 제안한 확장 그래프 신경망(GNN)은 오라클에 더 의존하는 접근법으로 참인 의존성을 사전에(a priori) 도출합니다. 따라서 익명이며 로그인하지 않은 사용자도 최소한의 입력으로 더 관련성 높은 추천을 받을 수 있을 것으로 예상됩니다.

리뷰로 보강한 이 시스템의 이름은 Review-refined Inter-item Graph Neural Network(RI-GNN)입니다. 연구진은 아마존의 두 데이터셋 (AMZN ), Pet Supplies와 Movies and TV로 이를 테스트했습니다. 이 방법은 리뷰 가용성 문제를 깔끔하게 해결하지만, 실제로 구현하려면 적절한 리뷰 데이터베이스를 찾아 스크래핑해야 합니다. 이론상 소셜 네트워크 게시물부터 Quora 답변까지 무엇이든 이런 데이터셋의 출처가 될 수 있습니다.

이런 상위 수준의 관계 매핑은 추천 시스템을 넘어 다양한 머신러닝 응용에도 가치가 있습니다. 많은 프로젝트가 제한된 자금과 범위 때문에 도메인 간·도메인 내 매핑이 부족해 어려움을 겪습니다. 반면 풍부한 지식을 갖추고 크라우드소싱에 기반한 전자상거래 추천 시스템을 만들려는 상업적 동기가 이 공백을 채울 수도 있습니다.

지표와 테스트

저자들은 각 데이터셋을 두 가지 버전으로 만들어 RI-GNN을 테스트했습니다. 각 버전은 사용자의 구매 기록과 상품에 대한 일반 리뷰로 구성됩니다. 다섯 번 미만 등장하는 상품은 제거하고 사용자 기록은 일주일 단위로 나눴습니다. 첫 번째 버전에는 상품이 한 개를 초과하는 모든 세션을, 두 번째에는 상품이 다섯 개를 초과하는 모든 세션을 포함했습니다.

평가 지표로는 P@K(정밀도)와 MRR@K(평균 역순위)를 사용했습니다. 비교한 경쟁 아키텍처는 다음과 같습니다: S-KNN; GRU4Rec; S-POP; STAMP; BERT4Rec; DHCN; GCE-GNN; SR-GNN; 그리고 NARM.

프레임워크는 Adam으로 배치 크기 100, 학습률 0.001을 사용해 학습했습니다. 주제 수는 Pet Supplies에 24개, Movies and TV에 20개로 설정했습니다.

 

 

최초 게시: 2022년 2월 1일.

머신러닝 분야 작가이자 인간 이미지 합성 도메인 전문가. Metaphysic.ai에서 연구 콘텐츠 책임자를 역임했으며, DNEG의 Brahma.ai로 통합될 때까지 근무했습니다.
웹사이트: martinanderson.ai
연락처: martin@martinanderson.ai