[추천 시스템을 위한 토폴로지 증류 기법/Topology Distillation for Recommender System]

[연구내용 요약]
최근 추천시스템 모델의 크기와 복잡도가 증가함에 따라, 예측을 위해 소모되는 연산량 및 메모리 요구량 역시 계속해서 증가하고 있다. 본 연구에서는 기존 추천 모델의 정확도를 유지하면서 크기와 연산량을 줄이는 새로운 토폴로지 증류기법을 제안한다. 제안하는 기법은 기존 추천 모델이 학습한 유저/아이템 관계 정보를 그래프 토폴로지로 정의하고, 이 토폴로지를 새로운 모델 학습에 활용한다. 특히, 새로운 모델과 기존 모델의 수용력 (capacity) 차이를 고려, 그래프 토폴로지를 압축하여 핵심적인 관계 정보들을 작은 수용력을 갖는 새로운 모델이 효과적으로 학습할 수 있도록 한다. 제안하는 기법은 행렬 분해, 다층 퍼셉트론, 그래프 합성곱 신경망 등의 다양한 모델 구조를 갖는 추천시스템 모델에 대해서 검증되었으며, 기존의 기법들에 비해 모델 예측에 소모되는 연산량을 더 효과적으로 감소시킬 수 있음을 보였다. 제안하는 기법은 추천시스템의 정확도와 효율성을 모두 높여, 웹 서비스에서 실시간으로 다수의 유저에게 개인화된 경험을 제공하는데 기여할 수 있다.

[연구성과의 의의]
제안하는 토폴로지 증류 기법은 추천시스템의 정확도와 효율성을 모두 높여, 웹 서비스에서 실시간으로 다수의 유저에게 개인화된 경험을 제공하는데 기여할 수 있다.

해당 논문은 데이터 사이언스, 빅데이터 및 인공지능 분야의 국제 최우수 학회인 ACM Conf. Knowledge Discovery and Data Mining (KDD)에 게재 됨.