면역 네트워크 기반 영화 추천 시스템

본 논문은 인공 면역 시스템(AIS)의 두 가지 핵심 메커니즘, 즉 항원‑항체 결합과 항체‑항체 상호작용(idiotypic network)을 활용해 영화 추천이라는 협업 필터링(CF) 문제를 해결하고자 한다. 서론에서는 AIS가 생물학적 면역 시스템의 분산·적응·자기조직화 특성을 모방한 새로운 계산 모델임을 소개하고, 이러한 특성이 사용자 선호 매칭과 이웃 다양성 확보에 유리하다고 주장한다. 면역 시스템 개요에서는 B세포와 항체의 역할, 매칭, 다양성, 분산 제어 등을 설명하고, 특히 항체가 다른 항체와도 결합할 수 있다는 idiotypic network 가설을 제시한다. 이는 서로 유사한 항체들 간에 억제 효과를 발생시켜 군집화를 방지하고 다양한 이웃을 유지하도록 돕는다. 협업 필터링 개요에서는 전통적인 CF의 데이터 인코딩(사용자‑아이템 평점 행렬), 유사도 측정(피어슨 상관계수), 이웃 선택(k‑Nearest Neighbor) 및 예측·추천 절차를 정리한다. 또한 데이터 희소성, 차원 저주, 기본값 처리, 차원 축소·클러스터링 등 기존 CF의 여러 개선 방법을 언급하지만, 본 연구에서는 가능한 한 단순한 CF 모델을 유지한다는 입장을 밝힌다. AIS 기반 CF 모델은 다음과 같이 설계된다. 예측 대상 사용자를 항원(Ag)으로, 후보 사용자들을 항체(Ab)로 간주한다. 초기에는 후보 사용자를 차례로 AIS에 추가하면서 각 항체와 항원 간 매칭 점수(피어슨 상관계수 절댓값)와 항체‑항체 간 매칭 점수를 계산한다. 항체 농도는 자극(stimulation)과 억제(suppression) 두 요소에 의해 업데이트되며, 식(3)에서 제시된 미분 방정식 형태로 구현된다. 자극은 항원과의 매칭 강도에 비례하고, 억제는 다른 항체와의 매칭 강도에 비례한다. 농도가 일정 이하이면 항체는 제거되고, 상한에 도달하면 포화한다. AIS는 일정 횟수(예: 10회) 반복 후 군집이 안정화되면, 최종 항체 농도를 가중치로 사용해 이웃들의 평점을 가중 평균하여 예측값을 산출한다. 실험은 공개 영화 평점 데이터베이스 EachMovie를 사용한다. 전체 2,819,983개의 평점, 72,916명의 사용자, 1,628개의 영화를 포함한다. 실험에서는 무작위로 100명의 테스트 사용자를 선정하고, 최대 15,000명의 리뷰어(전체의 20%)를 탐색하도록 설정하였다. 파라미터는 자극률(k₁) 0.02~0.2, 억제률(k₂) 0~0.8, 사망률(k₃) 0.1, 군집 크기 N=100, 농도 초기값 10, 최대값 100 등으로 지정하였다. 평가 지표는 평균 절대 오차(MAE)와 추천 정확도(Kendall’s τ)이며, 추가적으로 추천 개수, 겹치는 아이템 수, 평균 이웃 수, 평균 리뷰어 수 등을 측정하였다. 결과는 다음과 같다. (1) 예측 정확도 측면에서 AIS와 단순 피어슨 기반 이웃 선택(SP) 사이에 통계적으로 유의한 차이가 없으며, 두 방법 모두 비슷한 MAE를 기록했다. (2) 자극률이 0.1 이상일 때 AIS는 추천 개수와 추천 정확도에서 SP보다 우수했으며, 특히 Kendall’s τ가 높은 값을 보여 추천 리스트의 순위 일치도가 더 좋았다. (3) 자극률이 너무 낮으면 이웃 수가 감소해 추천 품질이 떨어지고, 너무 높으면 억제 효과가 약해져 다양성이 감소한다는 트레이드오프가 관찰되었다. (4) idiotypic 억제 효과를 포함한 확장형 AIS는 초기 항체들이 포화되는 현상을 완화하고, 다양한 이웃을 유지함으로써 추천 다양성을 향상시켰다. 논의에서는 AIS가 단일 최적해를 찾는 것이 아니라 ‘좋은 매치들의 집합’을 탐색함으로써 CF에서 요구되는 이웃 다양성을 자연스럽게 확보한다는 점을 강조한다. 또한, 파라미터 설정에 민감하고, 대규모 데이터에서 연산 비용이 증가하는 한계점도 언급한다. 향후 연구로는 파라미터 자동 튜닝, 병렬 구현, 콘텐츠 정보와의 하이브리드, 그리고 다른 도메인(음악, 전자상거래 등) 적용 가능성을 제시한다. 결론적으로, 면역 네트워크 메커니즘을 차용한 AIS는 기존 협업 필터링과 비교해 비슷한 예측 정확도와 더 높은 추천 정확도를 제공하며, 특히 다양성을 유지하면서도 효율적인 이웃 선택이 가능한 새로운 접근법임을 실험적으로 입증한다.