SimpleX: 협업 필터링을 위한 간단하고 강력한 베이스라인

협업 필터링(Collaborative Filtering, CF)은 추천 시스템 분야에서 널리 연구되고 있는 주제이다. CF 모델의 학습은 일반적으로 상호작용 인코더, 손실 함수, 그리고 음성 샘플링 세 가지 주요 구성 요소에 의존한다. 기존 연구의 많은 부분은 더 강력한 상호작용 인코더 설계에 집중하고 있으나, 손실 함수와 음성 샘플링 비율의 영향은 아직 충분히 탐색되지 않았다. 본 연구에서는 손실 함수의 선택과 음성 샘플링 비율이 동등하게 중요한 영향을 미친다는 점을 입증한다. 구체적으로, 코사인 대조 손실(Cosine Contrastive Loss, CCL)을 제안하고, 이를 단순한 통합형 CF 모델인 SimpleX에 통합한다. 11개의 벤치마크 데이터셋에서 광범위한 실험을 수행하였으며, 총 29개의 기존 CF 모델과의 비교를 통해 성능을 평가하였다. 놀랍게도, 본 연구에서 제안하는 CCL 손실과 높은 음성 샘플링 비율 하에서 SimpleX는 대부분의 고도로 발전된 최신 모델들을 크게 능가하는 성능을 보였다(예: LightGCN 대비 NDCG@20에서 최대 48.5% 향상). 우리는 SimpleX가 향후 CF 연구를 촉진하기 위한 단순하면서도 강력한 베이스라인으로 활용될 수 있을 뿐만 아니라, 손실 함수 및 음성 샘플링 개선을 위한 잠재적인 연구 방향을 제시할 수 있다고 믿는다. 본 연구의 소스 코드는 https://reczoo.github.io/SimpleX에서 공개될 예정이다.