Performance Evaluation and Factor Analysis of Multimodal Recommender Systems in Cold-Start User Scenarios

멀티모달 추천 시스템(Multimodal Recommender Systems, 이하 MMRS)은 사용자-아이템상호작용 데이터와 더불어, 아이템의 이미지, 텍스트, 오디오 등 다양한 형태의 멀티모달 피쳐(multimodal features)를 함께 활용하여 추천 성능을 높이는 방법론이다. 이는 협업 필터링(Collaborative Filtering, 이하 CF) 방법에서 흔히 발생하는 콜드 스타트(cold-start) 문제를 완화하고자 제안되었다. 본 논문에서는 멀티모달 추천 시스템이 콜드 스타트 문제 완화에 실제로 효과적인지를 검증하고자, 실세계 데이터 집합을 기반으로 콜드-스타트 사용자(cold-start user) 환경을 구성하고 CF 기반 방법과 멀티모달 추천 시스템(MMRS) 간의 성능을 비교•분석하였다. 실험 결과, 대부분의 MMRS 방법(예: FREEDOM, MGCN)이 콜드-스타트 사용자 환경에서 CF 방법(예: LightGCN)보다 더 높은 성능을 보였으며, 특히 아이템 간 멀티모달 유사도를 반영한 아이템-아이템 그래프 기반 접근법이 우수한 성능을 보였다. 더 나아가, 아이템-아이템 그래프의 단순한 적용을 넘어 그래프 활용 전략의 정교한 설계가 성능 개선에 중요한 요인임을 확인하였다.