From Sparse Ratings to Rich Representations: Multi-Source User Modeling for Cross-Domain Recommender Systems

기존 추천 시스템 연구는 단일 도메인 정보만을 활용하기 때문에 데이터 희소성 문제가 존재한다. 이러한 데이터 희소성 문제를 효과적으로 완화하기 위해 본 연구에서는 관련 도메인의 사용자 정보를 통합하는 Doc2Vec 기반 크로스 도메인 추천 프레임워크를 제안한다. 먼저 Doc2Vec을 적용하여 소스 도메인과 타깃 도메인에서 각 사용자와 아이템에 대한 임베딩을 생성한다. 이후 공통 사용자에 대해 두 도메인의 사용자 임베딩을 결합함으로써 타깃 도메인의 사용자 임베딩을 확장한다. 마지막으로 다층 퍼셉트론을 통해 사용자–아이템 상호작용을 학습하고, 이를 기반으로 타깃 도메인에서의 사용자 평점을 예측한다. 제안한 모델의 성능을 평가하기 위해 Yelp.com의 실제 데이터를 활용한 다양한 실험을 수행하였으며 모델 성능에 영향을 미치는 주요 구성 요소를 분석하였다. 실험 결과, 제안한 접근법은 단일 도메인 정보만을 활용하는 기존 베이스라인 모델 대비 우수한 예측 성능을 보였다. 추가 분석 결과, 소스 도메인 내 공통 사용자 수와 리뷰 수가 본 모델의 예측 성능에 가장 큰 영향을 미치는 핵심 요인임을 확인하였다. 본 연구에서 제안한 방법은 다양한 도메인의 사용자 정보를 활용함으로써 정보가 제한적인 도메인 환경에서도 추천 서비스에 효과적으로 적용될 수 있음을 시사한다.