숙박 대체 숙소 추천을 위한 다중 소스 앙상블 접근법
A Multi-Source Ensemble Approach to Candidate Generation for Alternative Vacation Rental Property Recommendations
arXiv숙박 예약 플랫폼에서 사용자에게 적합한 대체 숙소를 추천하기 위해, 다양한 데이터 소스를 결합하는 후보군 생성(CG) 접근법을 연구했습니다.
- 아이템 기반 협업 필터링과 그래프 신경망(GNN)을 결합한 하이브리드 모델이 기존 최고 성능 대비 검색 정확도를 크게 향상시켰습니다.
- 단순히 인기 숙소만 제시하는 것이 아니라, 사용자가 예상치 못한 다양하고 비직관적인 대안을 발굴하여 폭넓은 탐색 기회를 제공합니다.
- 후보군 생성 개선이 최종 순위 결정(랭킹) 품질로 이어지는 과정에 '전환 격차'가 존재하므로 실제 시스템 적용 시 이를 반드시 고려해야 합니다.
숙박 예약 플랫폼에서 사용자에게 적절한 대체 숙소를 추천하는 것은 중요한 기능이지만, 이 과정은 이질적인 재고 구성, 지리적 제약, 빠른 가용성 변화 등 여러 고유한 어려움을 안고 있습니다. 본 연구는 이러한 문제를 해결하기 위해 후보군 생성(CG) 접근법을 포괄적으로 연구하며, 협업 필터링, 얕은 , 그래프 신경망(GNN) 방법을 비교 분석했습니다.
2백만 개 이상의 활성 매물이 있는 대규모 숙박 예약 플랫폼에서 실험한 결과, 아이템 기반 협업 필터링과 GNN 기반 검색을 결합한 하이브리드 아키텍처가 기존 최고 성능 대비 Recall@300 지표를 14.8% 향상시켰습니다. 이 방식은 상호작용 기록이 풍부한 숙소에 대한 초기 회상력(recall)과 더불어, 다양하고 비직관적인 대안을 발견하며 콜드 스타트 시나리오를 효과적으로 처리합니다.
구체적으로 GNN 기반 임베딩만으로도 단순한 Hotel2Vec 임베딩보다 상대적 회상력을 48~68% 개선하는 등 우수한 성능을 보였습니다. 다만, 후보군 생성 단계의 개선이 최종 순위 결정(랭킹) 품질로 이어지는 과정에서 '회상-전환 격차'가 존재할 수 있으므로, 실제 시스템에 적용할 때는 이 점을 반드시 고려해야 합니다.
용어 풀이
- 임베딩
- 글이나 이미지의 의미를 숫자 목록으로 바꾼 것. 의미가 비슷한 것을 찾을 때 써요.