Intent Propagation Contrastive Collaborative Filtering

Paper: Haojie Li; Junwei Du; Guanfeng Liu; Feng Jiang; Yan Wang; Xiaofang Zhou (2025). "Intent Propagation Contrastive Collaborative Filtering". IEEE Transactions on Knowledge and Data Engineering, 37(5), 2665–2679. arXiv:2604.15704v1 PDF.

한눈에 보기

협업 필터링은 사용자가 어떤 아이템을 클릭·구매했는지로 취향을 추정한다. 그러나 한 번의 상호작용만으로는 ‘왜’ 그 선택을 했는지 알기 어렵다. 같은 책을 산 두 사람도 한 명은 저자 때문에, 다른 한 명은 장르 때문에 샀을 수 있다. IPCCF는 이 관측되지 않은 이유를 잠재 의도라는 여러 표현 공간으로 나누고, 직접 사용자–아이템 관계뿐 아니라 사용자–사용자 및 아이템–아이템의 2-hop 관계도 활용한다.

논문은 그래프를 한 번 더 넓히는 데 그치지 않는다. 직접 관계와 고차 관계의 메시지 전파 순서를 서로 교차하는 ‘double helix’ 구조로 만들고, 그 결과에서 의도별 이웃 가중치를 계산한다. 이어 구조 관점과 의도 관점에서 얻은 같은 노드의 표현을 대조학습으로 가깝게 둔다. 즉, 추천 손실 하나에만 의존하던 분리를 보완하려는 설계다.

그래프를 두 방향으로 읽는 방법

그림 1. Li et al. (2025), Figure 1, 접근 가능한 arXiv:2604.15704v1 PDF p. 4의 원도판을 인용. 왼쪽은 사용자–아이템 그래프에서 2-hop 사용자–사용자와 아이템–아이템 관계를 얻는 단계, 가운데는 직접·고차 메시지를 교차하는 전파, 오른쪽은 추천과 표현 정렬의 학습 목적이다.

예를 들어 A와 B가 같은 아이템을 많이 소비했다면 사용자–사용자 연결은 비슷한 취향의 단서가 될 수 있다. 다만 2-hop 연결은 공통 관심뿐 아니라 인기 아이템 때문에 생길 수도 있다. IPCCF는 이를 사실 판정으로 쓰지 않고, 어떤 관계가 어느 잠재 의도에서 유용한지를 가중치로 학습한다. 여기서 의도는 사람이 붙인 ‘가격 민감형’ 같은 라벨이 아니라, 추천 손실과 추가 정렬 신호로 만들어진 잠재 벡터다.

이중 나선과 의도 메시지

두 전파 사슬은 얕은 직접 관계에서 출발해 깊은 고차 관계로 가거나, 그 순서를 반대로 밟는다. 서로 다른 순서에서 나온 표현을 함께 쓰면 직접 행동의 구체성 및 더 넓은 구조 신호를 모두 남기려는 의도다. 그다음 모델은 각 간선과 각 잠재 의도에 대해 가중치를 만들고, 의도별로 이웃 메시지를 정규화한 뒤 평균해 전파한다.

그림 2. Li et al. (2025), Figure 2, arXiv:2604.15704v1 PDF p. 5의 원도판을 인용. 의도별 인접행렬에서 이웃 메시지를 정규화하고 결합하는 절차를 보인다. 색이 다른 벡터는 학습된 잠재 공간을 뜻하며, 사람이 해석 가능한 행동 이유가 자동으로 복원되었다는 증거는 아니다.

대조학습은 같은 노드의 구조 표현과 의도 표현을 가깝게, 다른 노드 표현은 멀게 하는 자기지도 신호다. 추천 과제의 역전파만 따라 표현이 과적합하는 것을 줄이려는 장치다. 하지만 ‘직접 감독’이라는 원문의 표현은 의도 정답 라벨을 제공한다는 뜻으로 읽으면 안 된다. 정렬의 정답은 같은 노드라는 대응 관계이지, 실제 사용자가 밝힌 의도는 아니다.

결과를 읽는 기준

저자들은 Gowalla, Amazon-book, Tmall에서 Precision·Recall·NDCG의 @20, @40을 보고한다. 논문 표에서는 IPCCF가 비교한 방법보다 모든 제시 지표에서 높으며, BIGCF 대비 평균 상대 개선을 Precision 6.37%, Recall 6.14%, NDCG 9.36%로 요약한다. 제거 실험에서는 고차 관계, 의도 전파, 대조 목적을 뺄 때 성능이 낮아진다고 보고한다. 해당 데이터·분할·튜닝 조건에서는 이 구성들의 조합이 유효했다는 근거다.

그림 3. Li et al. (2025), Figure 5, arXiv:2604.15704v1 PDF p. 11의 원도판을 인용. 세 데이터셋에서 에폭에 따른 NDCG@20 곡선을 제시한다. 초기 도달 속도와 최종 성능을 시각화하지만, 에폭당 계산량·메모리·하이퍼파라미터 탐색 비용까지 비교한 그림은 아니다.

성능표가 말하지 않는 것도 분명히 해야 한다. 의도 공간의 각 축이 실제 행동 동기와 일치하는지, 의도 수를 어떻게 선택하는지, 다른 도메인이나 시간에 따라 결과가 유지되는지는 이 평가만으로 결정되지 않는다. 또한 2-hop 관계는 희소 그래프에서는 유용할 수 있지만, 대규모·인기 편향이 강한 그래프에서는 비용과 잡음을 늘릴 수도 있다.

적용 전 체크할 것

IPCCF는 명시적 평점보다 암묵적 상호작용의 user–item 그래프에 맞춘 방법이다. 먼저 2-hop 그래프를 만들었을 때 인기 아이템이 연결을 과도하게 만들지, long-tail 사용자에게 이웃이 충분한지, 그리고 추천 평가의 negative sampling 규칙이 비교 방법과 같은지를 확인해야 한다. 설명 가능한 추천이 목표라면 잠재 의도를 설명으로 제시하기 전에 별도의 사용자 연구나 라벨 기반 검증도 필요하다.

이 글의 서지 기준은 2025년 IEEE Transactions on Knowledge and Data Engineering 논문이다. 접근 가능한 전문은 2026년 4월에 등록된 arXiv:2604.15704v1이며, arXiv 자체도 같은 저널·권·쪽·DOI를 연결한다. 늦은 공개 등록만으로 두 본문 사이의 내용 차이를 뜻하지는 않는다. 다만 유료 Version of Record의 그림·표를 직접 대조하지 못했으므로, 본문 기술과 그림 페이지는 접근 가능한 arXiv 원고 기준임을 밝혀 둔다.

References

Li, H., Du, J., Liu, G., Jiang, F., Wang, Y., & Zhou, X. (2025). Intent propagation contrastive collaborative filtering. IEEE Transactions on Knowledge and Data Engineering, 37(5), 2665–2679. https://doi.org/10.1109/TKDE.2025.3543241

Li, H., Du, J., Liu, G., Jiang, F., Wang, Y., & Zhou, X. (2026). Intent propagation contrastive collaborative filtering (arXiv:2604.15704v1). PDF

더 긴 방법·표 분석은 심화 보기에서 확인할 수 있다.