그래프 기반 추천 시스템: GraphSAGE의 원리와 활용

💡들어가며

오늘날 우리가 사용하는 다양한 서비스들은 개인화된 추천 시스템을 활용하여 사용자 만족도를 높이고 있습니다. 넷플릭스의 영화 추천, 유튜브의 동영상 추천, 그리고 음식 배달 앱의 메뉴 추천까지 - 이 모든 서비스의 핵심에는 효율적인 추천 알고리즘이 있습니다.

특히 최근에는 그래프 구조를 활용한 추천 시스템이 주목받고 있는데요. 오늘은 그 중에서도 확장성(Scalability)과 효율성 측면에서 탁월한 성능을 보이는 GraphSAGE(Graph SAmple and aggreGatE)에 대해 알아보겠습니다. 음식 추천 시스템에서 어떻게 적용될 수 있는지 실제 사례와 함께 살펴봅시다.

---

I. 그래프 기반 추천 시스템의 기초

추천 시스템에서 그래프란 무엇일까요? 간단히 말해, 사용자와 상품(또는 콘텐츠) 간의 관계를 노드(점)와 엣지(선)로 표현한 구조입니다. 예를 들어, '사용자 A가 상품 B를 구매했다'는 정보는 사용자 A와 상품 B를 연결하는 엣지로 표현됩니다.

GCN(Graph Convolutional Network)의 이해

그래프 데이터를 딥러닝에 활용하기 위해 등장한 것이 GCN입니다. GCN은 다음과 같은 특징을 가집니다:

• 노드 임베딩(Node Embedding)을 학습하기 위한 방법론
• 이웃 노드의 특성(feature)을 메시지 패싱(message passing)으로 전달받아 업데이트
• 확장성(Scalability)과 노드 특성 활용이 가능해 산업 수준의 추천 시스템 구현 가능
• 그러나 전체 그래프 구조 정보가 필요한 Transductive한 방법론이라는 한계 존재

GCN의 핵심은 이웃 노드의 정보를 합쳐 중심 노드의 표현(representation)을 갱신하는 과정에 있습니다. 이 과정은 다음과 같은 수식으로 표현됩니다:

 

$$f(𝐻^{𝑙}, 𝐴) = 𝜎(𝐴𝐻^𝑙𝑊^𝑙)$$

 

여기서 𝐻^𝑙은 l번째 층의 노드 표현, 𝐴는 인접 행렬, 𝑊^𝑙은 가중치 행렬을 의미합니다.

---

II. GraphSAGE: 확장 가능한 그래프 학습

GCN의 한계를 극복하기 위해 등장한 GraphSAGE는 "SAmpling and agGrEgation"의 약자로, 이름에서 알 수 있듯이 '샘플링'과 '집계'가 핵심 개념입니다.

GraphSAGE의 주요 특징

• 전체 인접 행렬을 사용하지 않고 이웃 노드를 샘플링하여 계산 효율성 향상
• 새로운 노드가 추가되어도 전체 그래프를 재학습할 필요 없이 임베딩 생성 가능(Inductive learning)
• 다양한 집계 함수(Mean, LSTM, Pooling Aggregator 등) 적용 가능

GraphSAGE의 작동 원리

GraphSAGE는 다음 세 단계로 작동합니다:

1. 이웃 샘플링(Sampling)

각 노드에 대해 일정 수의 이웃 노드를 균등 분포(uniform distribution)로 샘플링합니다. 이는 전체 그래프를 모두 고려하지 않고 부분 그래프(subgraph)만으로 학습할 수 있게 해줍니다.

2. 정보 집계(Aggregation)

샘플링된 이웃 노드의 정보를 집계합니다. 여러 집계 함수를 사용할 수 있으며, 가장 간단한 것은 평균(Mean)입니다.

3. 노드 표현 갱신(Update)

집계된 정보를 바탕으로 중심 노드의 표현을 갱신합니다.

이러한 과정을 수식으로 표현하면 다음과 같습니다:

# 1. 이웃 노드 집계
h_N^k = AGGREGATE_k({h_u^(k-1) : u ∈ N(v)})

# 2. 자신의 표현과 집계된 이웃 정보 결합
h_v^k = σ(W^k · CONCAT(h_v^(k-1), h_N^k))

---

III. 실제 사례: Uber Eats의 메뉴 추천 시스템

이론적인 내용을 살펴봤으니, 이제 실제 산업에서 GraphSAGE가 어떻게 활용되는지 알아보겠습니다. 대표적인 사례로 Uber Eats의 음식 추천 시스템을 들 수 있습니다.

Uber Eats의 GraphSAGE 적용 사례

2019년 말에 공개된 자료에 따르면, Uber Eats는 GraphSAGE를 활용하여 사용자에게 개인화된 메뉴(dish) 추천 서비스를 제공했습니다. 그 결과는 놀라웠습니다:

• 기존 추천 모델 대비 12%의 AUC(Area Under Curve) 성능 향상
• 사용자 만족도와 주문 전환율 증가
• 다양한 음식 카테고리에 대한 추천 정확도 향상

어떻게 음식 추천에 활용되었을까?

Uber Eats의 추천 시스템에서는 다음과 같은 그래프 구조를 활용했을 것으로 추정됩니다:

• 노드: 사용자, 메뉴, 음식점 등
• 엣지: 주문 내역, 조회 기록, 평점 등
• 노드 특성: 메뉴의 가격, 카테고리, 인기도, 메뉴명의 word2vec 값 등

GraphSAGE를 통해 각 노드의 임베딩을 효율적으로 학습한 후, 이를 바탕으로 개인화된 랭킹(personalized ranking)을 제공했습니다. 사용자가 App을 열면 그 사용자와 유사한 취향을 가진 다른 사용자들이 선호한 메뉴를 추천하는 방식입니다.

---

IV. 영양학적 관점에서의 식품 추천 시스템

음식 추천은 단순히 취향만을 고려하는 것이 아니라, 영양학적 측면도 중요합니다. GraphSAGE와 같은 그래프 기반 추천 시스템은 다음과 같은 영양 관련 요소도 고려할 수 있습니다:

영양 균형을 고려한 추천

그래프 노드에 영양소 정보(단백질, 지방, 탄수화물, 비타민 등)를 특성으로 추가하면, 사용자의 영양 균형을 고려한 추천이 가능합니다. 예를 들어:

• 사용자가 단백질이 부족한 식단을 주로 섭취했다면, 단백질이 풍부한 메뉴 추천
• 특정 비타민이 풍부한 식품과 부족한 식품 간의 관계를 그래프로 모델링하여 균형 잡힌 영양소 섭취 유도

건강 상태를 고려한 맞춤형 추천

사용자의 건강 상태(당뇨, 고혈압, 알레르기 등)를 노드로 표현하고, 이를 식품 노드와 연결하면 건강 상태에 맞는 추천이 가능합니다:

• 당뇨환자에게는 저당 식품 우선 추천
• 알레르기가 있는 사용자에게는 해당 알레르기 유발 성분이 없는 메뉴 추천

---

V. 결론 🎯

GraphSAGE는 그래프 구조의 데이터를 효율적으로 학습할 수 있는 알고리즘으로, 특히 확장성(Scalability) 측면에서 큰 장점을 가집니다. 이는 대규모 사용자와 상품 데이터를 다루는 현대 추천 시스템에 매우 적합합니다.

음식과 영양 분야에서도 GraphSAGE와 같은 그래프 기반 알고리즘은 단순한 인기도나 유사성을 넘어, 영양 균형과 건강 상태를 고려한 지능적인 추천을 가능하게 합니다. 우버이츠 사례에서 보듯이, 이러한 기술은 이미 상용화되어 우리의 식생활에 영향을 미치고 있습니다.

추천 시스템이 더욱 발전하면 단순히 '무엇을 먹을지'를 추천하는 것을 넘어, '건강한 식습관'을 형성하는 데 도움을 주는 방향으로 나아갈 것입니다. 개인의 취향, 영양 요구사항, 건강 상태를 종합적으로 고려한 맞춤형 식품 추천은 미래 헬스케어의 중요한 한 축이 될 것입니다.

---

참고 문헌:

• Hamilton, W. L., Ying, R., & Leskovec, J. (2017). Inductive representation learning on large graphs. NIPS 2017.
• Ying, R., He, R., Chen, K., Eksombatchai, P., Hamilton, W. L., & Leskovec, J. (2018). Graph convolutional neural networks for web-scale recommender systems. KDD 2018.
• Uber Engineering. (2019). Food Discovery with Uber Eats: Using Graph Learning to Power Recommendations.