[논문 리뷰] A Brief History of Recommender Systems

Zhenhua Dong, Zhe Wang외 3명|arXiv (Cornell University)|2022. 09. 05.

Recommender Systems and Techniques인용 수 6

한 줄 요약

이 논문은 웹 추천 시스템의 역사적 개요를 종합적으로 제공하며, 협업 필터링에서 딥러닝으로 이르는 추천 모델의 진화와 산업 규모의 3계층 아키텍처 개발을 추적한다. 주요 이정표, 기술적 전환점, 향후 추세를 강조하며, 사용자 중심 설계, 다중모달 학습, 책임감 있는 AI를 추천 시스템에 통합하는 데 중점을 둔다.

ABSTRACT

Soon after the invention of the Internet, the recommender system emerged and related technologies have been extensively studied and applied by both academia and industry. Currently, recommender system has become one of the most successful web applications, serving billions of people in each day through recommending different kinds of contents, including news feeds, videos, e-commerce products, music, movies, books, games, friends, jobs etc. These successful stories have proved that recommender system can transfer big data to high values. This article briefly reviews the history of web recommender systems, mainly from two aspects: (1) recommendation models, (2) architectures of typical recommender systems. We hope the brief review can help us to know the dots about the progress of web recommender systems, and the dots will somehow connect in the future, which inspires us to build more advanced recommendation services for changing the world better.

연구 동기 및 목표

• 추천 시스템의 웹 발전을 연대기적으로 기록하여, 모델 발전과 시스템 아키텍처에 중점을 둔다.
• 추천 시스템의 진화를 이끌어온 핵심 기술적 요인과 응용 중심의 힘을 규명한다.
• 추천 연구에서 정확도 중심 평가에서 사용자 중심 평가로의 전환을 분석한다.
• 미래의 추천 시스템 방향을 예측하며, 사전 학습 모델, 다중모달 학습, 인과 추론을 포함한다.
• 연구자와 전문가가 추천 시스템의 역사적 및 기술적 궤적을 기초로 삼을 수 있도록 기초 참고 자료를 제공한다.

제안 방법

• 1990년대부터 추천 시스템의 역사를 추적하며, 협업 필터링을 선도한 Tapestry(1992)와 GroupLens(1994)를 기반으로 한다.
• 사용자-아이템 협업 필터링, 행렬 분해(SVD), 이후 딥러닝 모델인 Wide & Deep, DeepFM, YouTubeDNN, DIN, DIEN 등 추천 모델의 발전을 검토한다.
• 산업용 3계층 아키텍처인 오프라인(모델 훈련), 온라인 서비스(실시간 추론), 네어라인(실시간 특성/모델 업데이트)의 출현을 분석한다.
• 특성 공학과 표현 학습의 역할을 분석하며, 인자 분해 기반 모델(FMs), 필드 인식 FMs(FFMs), 재현 가능성을 위한 개방형 벤치마크인 FuxiCTR을 포함한다.
• 사용자 중심 평가로의 전환과 현대 추천 시스템에서 인과 추론, 지식 그래프, 설명 가능성의 통합을 검토한다.
• 미래 연구 방향으로 다중모달 사전 학습, 자기지도 학습, 대화형 및 일반 목적의 지능형 어시스턴트 개발을 제안한다.

실험 결과

연구 질문

• RQ1 지난 30년간 협업 필터링에서 딥러닝으로 이르는 추천 모델의 진화 과정은 어떻게 이루어졌는가?
• RQ2 현대 산업용 추천 시스템의 핵심 아키텍처 구성 요소는 무엇이며, 실시간 및 확장 가능한 추천을 어떻게 지원하는가?
• RQ3 추천 시스템의 진화를 이끌어온 핵심 기술적 요인과 응용 중심의 힘은 무엇인가?
• RQ4 추천 시스템 평가가 정확도 중심에서 사용자 중심 및 책임감 있는 지표로 어떻게 전환되었는가?
• RQ5 사전 학습, 다중모달 학습, 인과 모델링과 같은 미래의 추세가 다음 세대 추천 시스템을 어떻게 형성할 것인가?

주요 결과

• GroupLens 프로젝트(1997)와 MovieLens 데이터셋의 공개는 학술 연구의 기초가 되었으며, 추천 연구에 널리 사용되는 기준 기준이 되었다.
• 협업 필터링, 특히 SVD와 SVD++와 같은 행렬 분해 모델은 넷플릭스 챌린지(2006–2009) 이후 뚜렷한 성능 향상을 이룩했다.
• 로지스틱 회귀 및 그 확장형(예: FFM)은 CTR 예측 분야에서 지배적인 위치를 차지했으며, 특성 공학과 최적화 기법의 향상 덕분이었다.
• Wide & Deep, DeepFM, YouTubeDNN 등의 딥러닝 모델은 유튜브 및 모바일 앱과 같은 대규모 응용 분야에서 추천 정확도를 크게 향상시켰다.
• 오프라인, 온라인, 네어라인으로 구성된 3계층 산업 아키텍처는 훈련 효율성, 실시간 추론, 동적 특성 업데이트를 균형 있게 조율하기 위해 표준이 되었다.
• 미래의 추천 시스템은 다중모달 사전 학습, 인과 추론, 설명 가능성을 통합하여 공정성, 투명성, 장기적 사용자 복지를 향상시킬 것으로 기대된다.