[논문 리뷰] Multi-Interest Recommendation: A Survey

• 메타정보
• TL;DR
• 소개 (Introduction)
• 핵심 기여 (Key Contributions)
• 관련 연구 / 배경 지식
• 다중 관심사 모델링의 측면 (What aspects)
  • 사용자 지향 측면
  • 아이템 지향 측면
• 방법 / 아키텍처 상세 (How)
• 관심사 추출기 (1): Dynamic Routing
• 관심사 추출기 (2): Attention 기반
• 관심사 추출기 (3): 비선형 변환
• 관심사 집계기
  • 학습 목표 / 손실 함수: 다양성 정규화
    • 표현 정규화 (Representation Regularization)
    • 분포 정규화 (Distribution Regularization)
  • 학습 데이터와 파이프라인: 응용 시나리오와 공개 데이터셋
  • 결과 분석 / 도전 과제
  • 한계와 비판적 평가
  • 시사점 / Takeaways
  • 참고 자료
  • 더 읽어보기

메타정보

TL;DR

• 추천 시스템에서 사용자를 하나의 임베딩 벡터로 표현하는 관행은 사용자의 다면적·동적 선호를 담아내지 못한다. 다중 관심사 추천 (multi-interest recommendation) 은 사용자의 과거 상호작용에서 여러 개의 관심사 벡터 $\mathbf{H}_u = {\mathbf{h}_u^1, …, \mathbf{h}_u^K}$ 를 명시적으로 추출해 세밀한 선호 모델링을 가능케 한다.
• 이 서베이는 다중 관심사 추천을 왜 (why), 무엇을 (what aspects), 어떻게 (how) 의 세 질문으로 체계화하고, 모든 기법을 두 개의 핵심 모듈 — 관심사 추출기 (interest extractor) 와 관심사 집계기 (interest aggregator) — 로 분해해 통일된 프레임워크로 정리한 최초의 종합 서베이다.
• 추출기는 dynamic routing (CapsNet), attention 및 그 변종, 비선형 변환으로, 집계기는 표현 집계 (representation aggregation) 와 추천 집계 (recommendation aggregation) 로 분류된다. 관심사 표현 붕괴 (representation collapse) 를 막는 다양성 정규화, 응용 시나리오·공개 데이터셋, 그리고 적응적 관심사 개수·효율성·디노이징·설명가능성·롱테일/콜드스타트·LLM/확산모델 같은 미래 방향까지 망라한다.

소개 (Introduction)

추천 시스템 (recommendation system) 은 사용자의 과거 상호작용 기록을 바탕으로 정보를 필터링해 의사결정을 돕는다. 지난 20여 년간 e-commerce, 소셜 미디어, 뉴스, 엔터테인먼트 등 다양한 도메인에서 큰 성공을 거뒀다. 그런데 현실의 사용자 선호와 아이템 속성은 본질적으로 다양하고 불확실하다. 영화 추천을 예로 들면, 한 사용자의 시청 기록에는 로맨스·픽션·코미디 등 서로 다른 장르의 영화가 섞여 있고, 한 영화 (예: 《인생은 아름다워》) 도 로맨스·코미디·전쟁이라는 여러 장르에 동시에 속한다. 단일 벡터로 사용자와 아이템을 표현하는 일반적인 추천 기법은 이런 복잡하게 얽힌 상호작용과 다면적 아이템 테마를 효과적으로 포착하지 못한다.

이 문제를 풀기 위해 등장한 것이 다중 관심사 추천 (다면적 선호 추천이라고도 부른다) 이다. 사용자 $u$ 에 대해 단일 임베딩을 학습하는 대신, $K$ 개의 잠재 관심사 벡터 집합 $\mathbf{H}_u = {\mathbf{h}_u^1, \mathbf{h}_u^2, …, \mathbf{h}_u^K}$ 를 학습해 후보 아이템 추천에 종합적으로 활용한다. 사용자 선호를 여러 컴포넌트로 분해함으로써, 사용자 행동이 다양한 카테고리·토픽·맥락에 걸쳐 있는 상황에서 더 정확하고 세밀하며 다양한 추천이 가능해진다. 또한 어떤 사용자 의도가 어떤 아이템 측면에 대응하는지 명시적으로 식별할 수 있어 설명가능성 도 좋아진다.

이 서베이는 다음 세 가지 점진적 연구 질문에 답하는 방식으로 다중 관심사 추천을 정리한다. (1) 왜 다중 관심사 모델링이 추천에 중요한가? (2) 다중 관심사 모델링은 무엇 에 초점을 두는가 (모델링 측면)? (3) 다중 관심사 모델링을 어떻게 적용하며, 대표 모듈의 기술적 디테일은 무엇인가? 기존 추천 서베이들은 특정 태스크·응용에 집중하거나, 사용자·아이템을 단일 표현으로 모델링하는 최신 기법에 집중해 사용자의 다양한 선호와 아이템의 다면성을 놓쳤다. 이 글은 그 공백을 메운다.

핵심 기여 (Key Contributions)

• 다중 관심사 모델링에 대한 최초의 종합 정리. 사용자 다중 관심사 모델링 연구를 처음으로 포괄적으로 정리하고, 이 연구 영역이 갖는 의의와 장점을 폭넓은 커뮤니티에 제시한다.
• 혁신적 분류 체계. 다중 관심사 모델링 기법을 추천 태스크, 다중 관심사 모델링 측면, 연구 관심사라는 서로 다른 1차 축으로 분류하는 체계적 프레임워크를 도입한다. 이를 통해 관련 기법을 구조적으로 분석할 수 있는 통일된 틀을 마련한다.
• 도전 과제와 미래 방향 식별. 기존 연구에서 미해결로 남은 한계와 도전을 짚고, 심층 탐구할 가치가 있는 미래 연구 방향을 제시한다.
• (리뷰어 관점) 무엇보다 모든 기법을 추출기 + 집계기라는 2-컴포넌트 프레임워크로 환원 한 점이 이 서베이의 실질적 가치다. dynamic routing 이냐 attention 이냐, 표현 단계에서 융합하느냐 추천 단계에서 융합하느냐라는 두 축만 잡으면 수십 편의 논문이 한 장의 표 (Table 3) 로 정렬된다.

관련 연구 / 배경 지식

다중 관심사 추천을 이해하려면 먼저 두 가지 대표 태스크를 알아야 한다.

CTR 예측 (Click-Through Rate prediction). 아이템 집합 $\mathcal{I}$ 와 사용자 집합 $\mathcal{U}$, 그리고 상호작용 행렬 $\mathbf{R} = [r_{i,j}]$ ($r_{i,j}=1$ 이면 사용자 $u_i$ 가 아이템 $i_j$ 와 상호작용) 가 주어질 때, 사용자 $u$ 에게 아이템 $i$ 가 노출되었을 때 클릭할 확률을 추정한다.

순차 추천 (Sequential recommendation). CTR 예측과 달리 사용자의 선호 진화와 시간 패턴 (장기·단기 선호) 을 모델링한다. 사용자의 상호작용 아이템을 시간 순 시퀀스 $\mathcal{S}_u = {i_1, i_2, …, i_t}$ 로 정리하고, $t+1$ 시점에 사용자가 관심 가질 아이템을 예측한다.

단일 표현에서 다중 표현으로. 표현 학습 (representation learning) 프레임워크에서 두 태스크 모두 사용자 표현 $\mathbf{h}_u \in \mathbb{R}^{1 \times d}$ 와 아이템 표현 $\mathbf{x}_i \in \mathbb{R}^{1 \times d}$ 를 학습하고, 둘의 내적으로 예측 점수를 계산한다.

사용자 의도의 불확실성, 행동 패턴의 복잡성, 아이템 테마의 모호성 때문에 단일 벡터로는 부족하다. 그래서 다중 관심사 추천은 사용자 표현을 단일 벡터에서 벡터 리스트 $\mathbf{H}_u = [\mathbf{h}_u^1, …, \mathbf{h}_u^K]$ 로, (또는 아이템 표현을 $\mathbf{X}_i = [\mathbf{x}_i^1, …, \mathbf{x}_i^K]$ 로) 확장한다. 여기서 $K$ 는 사용자 관심사 (또는 아이템 측면) 의 개수다. 그리고 여러 표현을 하나로 모으는 집계 (aggregation) 연산이 필요해진다. 집계 방식은 크게 두 가지다.

• 표현 집계 (Representation Aggregation). 여러 관심사 표현을 추천 예측 전에 하나의 벡터로 융합한다.

여기서 $\phi_u(\cdot)$, $\phi_i(\cdot)$ 는 pooling, concat, attention, 신경망 등의 집계 함수다.

• 추천 집계 (Recommendation Aggregation). 각 관심사별로 먼저 추천 점수를 구한 뒤, 특정 전략 (예: max 연산) 으로 그 점수들을 결합한다.

이 두 패러다임의 차이는 뒤의 “방법” 섹션에서 모듈 수준으로 자세히 다룬다. 다중 관심사 연구의 역사는 2005년 Li et al. 이 e-commerce 추천에서 “사용자는 완전히 다른 여러 관심사를 가진다”는 개념을 처음 제안한 것으로 거슬러 올라가지만, 본격적으로 주목받은 것은 2019년 MIND (Li et al., 2019) 가 dynamic routing 으로 다중 관심사 벡터를 표현해 Mobile Tmall 앱의 온라인 트래픽에서 효과를 입증하면서부터다. 이후 ComiRec, SINE, MINER 등 영향력 있는 후속 연구가 쏟아졌고, DBLP 기준 2021년 이전 27편이던 관련 논문은 2024년 53편, 2025년 3월 기준 누적 172편으로 늘었다.

다중 관심사 모델링의 측면 (What aspects)

다중 관심사 모델링이 어떤 외부 정보를 활용하는가에 따라 측면을 사용자 지향 (user-oriented) 과 아이템 지향 (item-oriented) 으로 나눈다.

사용자 지향 측면

• 공간/위치 정보 (Spatial). 사용자의 여행·숙박·활동 행동은 위치에 따라 달라진다. 현대 대도시에서는 쇼핑몰·박물관을, 역사 문화 도시에서는 자연 경관·유적을 선호하는 식이다. 온라인 여행·라이프스타일 플랫폼에서 특히 중요하다.
• 시간/주기 정보 (Temporal & Periodic). 관심사는 시간에 따라 변하고 주기적 경향을 띤다. 스포츠 애호가가 여름엔 서핑·수상 스포츠를, 겨울엔 스키·빙상 스포츠를 선호하는 식. 장기·단기 선호의 진화를 함께 모델링한다.
• 사회 집단 정보 (Social Group). 비슷한 사회적 지위의 사용자는 비슷한 결정을 내리는 군집 (herding) 현상이 있다. 같은 집단 내 선호 유사성을 활용해 다중 관심사 프로파일을 풍부하게 한다.
• 사용자 행동 (Behaviors). 검색·클릭·댓글·장바구니·즐겨찾기·구매 등 여러 유형의 행동은 각기 다른 잠재 관심사와 선호 강도를 드러낸다. 여러 행동 차원에 걸쳐 다중 관심사를 조사하면 설명가능성과 성능이 모두 좋아진다.

아이템 지향 측면

• 속성 정보 (Attributes). 아이템은 카테고리·태그·브랜드·지식 엔티티 등 다중 속성을 갖는다. 헬스장을 자주 가는 사람은 음식의 영양 정보를, 패션 엘리트는 디자이너 브랜드를 중시한다. 하이퍼그래프 신경망과 지식 그래프로 이런 구조적 지식을 표현 학습에 녹이는 연구가 활발하다.
• 리뷰 정보 (Reviews). 아이템 리뷰는 판매자의 설명보다 설득력 있고 사용자의 진짜 선호를 드러낸다. 고품질 정보를 추출하면 사용자·아이템 모델링 양쪽에 도움이 된다.
• 멀티모달 정보 (Multi-Modality). 아이템을 고유 ID 로만 식별하는 관행은 수치·범주 속성, 그림, 영상, 텍스트가 주는 풍부한 정보를 무시한다. computer vision (CV) 과 natural language processing (NLP) 의 대형 모델 성공에 힘입어 최근 가장 뜨거운 영역이 되었다.
• 도메인 정보 (Domain). 사용자는 여러 도메인·플랫폼에 걸쳐 활동한다. 문학을 즐기는 사람이 예술 영화를 좋아할 가능성이 높듯, 도메인 간 정보로 타깃 도메인 성능을 높이고 콜드스타트를 완화할 수 있다.

여기서 중요한 구분이 하나 더 있다. 명시적 (explicit) 다중 관심사 모델링 은 위와 같은 외부 사이드 정보를 반드시 동원해 각 측면별 선호 강도를 드러낸다. 반면 암묵적 (implicit) 다중 관심사 모델링 은 사이드 정보 없이 과거 상호작용만으로 다중 관심사 표현을 학습한다. DMIN, ComiRec, TimiRec 처럼 고정된 관심사 개수를 먼저 정한 뒤 dynamic routing 이나 attention 으로 벡터 집합을 모델링하는 단순하지만 효과적인 접근으로, 현재 주류 패러다임 중 하나다.

방법 / 아키텍처 상세 (How)

다중 관심사 추천 프레임워크는 두 핵심 컴포넌트로 구성된다. 관심사 추출기 (interest extractor) 는 상호작용한 아이템과 사이드 정보로부터 여러 관심사 표현을 학습하고, 관심사 집계기 (interest aggregator) 는 이 표현들을 융합하거나 각 표현에서 도출된 추천 결과를 결합해 최종 추천을 만든다.

관심사 추출기 (1): Dynamic Routing

CapsNet (Sabour et al., 2017) 의 dynamic routing 은 계층 구조 학습에 특화된 알고리즘이다. 캡슐 (capsule) 은 객체의 위치·크기·색조 같은 여러 속성에 반응하는 뉴런 묶음이고, 활성 벡터의 길이는 속성 존재 확률을, 방향은 속성의 세기를 나타낸다. 다중 관심사 모델링에서는 관심사 캡슐 집합 $\mathbf{H} = [\mathbf{h}_1, …, \mathbf{h}_K]$ 를 정의하고, 비선형 squash 함수로 갱신한다.

여기서 $\Vert \mathbf{s}_j\Vert $ 는 벡터 $\mathbf{s}_j$ 의 유클리드 노름 ($L^2$ 노름) 이다. squash 함수는 활성화 함수 역할을 하는데, 짧은 벡터는 0 쪽으로 억누르고 긴 벡터는 1 가까이로 압축한다. $\mathbf{s}_j$ 는 다음으로 계산된다.

$\mathbf{W}_{ij}$ 는 학습 가능한 변환 행렬, $c_{ij}$ 는 반복적 dynamic routing 으로 생성되는 결합 계수 (coupling coefficient) 로, 아이템 $i$ 가 캡슐 $j$ 에 결합될 확률을 뜻하며 0 으로 초기화된다. 전체 반복 과정은 아래 알고리즘으로 정리된다.

Algorithm 1: Dynamic Routing
Input:  반복 횟수 R; 아이템 표현 [x_1, ..., x_t]; 라우팅 로짓 b_ij = 0
Output: 다중 관심사 표현 [h_1, ..., h_K]
for r = 1, 2, ..., R do
  각 하위 캡슐(아이템) i 에 대해: c_ij = softmax(b_ij)
  각 상위 캡슐(관심사) j 에 대해: s_j = Σ_i c_ij W_ij x_i
  각 상위 캡슐 j 에 대해: h_j = squash(s_j)
  갱신: b_ij = b_ij + h_j (W_ij x_i)^T
end for
return [h_1, ..., h_K]

관심사 추출기 (2): Attention 기반

dynamic routing 대신 attention 메커니즘으로 다중 관심사를 모델링하는 방식이 가장 널리 쓰인다. 학습 가능한 다중 관심사 임베딩 $\mathbf{E} = [\mathbf{e}_1, …, \mathbf{e}_K]$ 를 기준으로, 상호작용한 아이템 표현 $[\mathbf{x}_1, …, \mathbf{x}_t]$ 에서 $K$ 개의 관심사 표현을 뽑는다.

$\mathbf{W}_j$, $\mathbf{b}_j$ 는 $j$ 번째 관심사에 대응하는 학습 파라미터, $\sigma(\cdot)$ 는 활성화 함수, $\tau$ 는 분포의 날카로움을 조절하는 온도 (temperature) 다. dynamic routing 과 달리 단일 forward pass 로 끝나 효율적이다. 변종도 다양하다. 어떤 연구는 $\mathbf{e}_j\sigma(\mathbf{W}_j\mathbf{x}_i + \mathbf{b}_j)^\top$ 를 거듭제곱 $\gamma$ 로 올려 분포 형태를 조절하는데, $\gamma$ 가 커질수록 중요한 아이템에 더 큰 attention 이 쏠리고, $\gamma=0$ 이면 평균 pooling, $\gamma \to \infty$ 이면 hard attention (가장 관련 있는 하나만 선택) 으로 바뀐다. 또 다른 연구는 내적 대신 코사인 유사도를 쓰거나, Gumbel-softmax 와 hard attention 을 결합하기도 한다.

관심사 추출기 (3): 비선형 변환

세 번째 방식은 각 상호작용 아이템에서 관심사를 도출하는 대신, 사용자 표현 $\mathbf{u}$ 에 비선형 변환을 직접 적용해 다중 관심사를 얻는다.

여기서 $\mathbf{u}$ 는 신경망으로 모델링한 사용자 표현, $\mathbf{W}_j$, $\mathbf{b}_j$ 는 $j$ 번째 관심사에 대응하는 학습 가능한 변환 행렬과 바이어스다.

추출기 비교 (저자의 통찰). dynamic routing 은 반복적 할당으로 행동을 이산적 관심사 슬롯으로 군집화해 분리가 명확하고 해석 가능하지만, 반복으로 인한 계산 오버헤드가 있고 관심사가 미묘하게 겹칠 때 약하다. attention 은 부드러운 콘텐츠 기반 혼합을 만들어 유연하고 장거리 의존성에 강하며 구현이 쉽지만, 관심사 벡터 간 중복과 긴 시퀀스에서의 메모리 비용, 약한 명시적 분리가 한계다. 저자들은 검색 파이프라인처럼 해석가능·다양·분리가 중요하면 routing 을, 세밀한 상호작용과 순차 맥락엔 attention 을 권하며, 둘을 결합한 하이브리드 (routing 후 attention 정제, 또는 다양성 제약을 둔 attention) 가 효율·성능 균형에서 최선인 경우가 많다고 본다.

관심사 집계기

집계기는 추출된 여러 관심사 표현을 최종 추천으로 모은다. 앞서 언급한 두 패러다임을 모듈 수준에서 본다.

표현 집계 — concat / pooling. 가장 단순한 방식은 concat 또는 mean/max pooling 후 MLP 를 거치는 것이다.

MLP 는 차원 변환과 서로 다른 측면의 관심사를 균일한 잠재 공간으로 매핑하는 두 역할을 한다.

표현 집계 — attention 기반. 사용자 선호를 “기본 관심사 (basic interest)” 와 “다양한 관심사 (diverse interests)” 로 나눈다는 관점이다. 기본 관심사 $\mathbf{h}_b$ (과거 상호작용 기반) 와 각 관심사 $\mathbf{h}_i$ 의 상관을 계산해 가중합한다.

여기서 $\mathbf{W}$ 는 학습 파라미터다. 다양성을 높이고 사용자 피로 (user fatigue) 를 완화하려고 관심사 간 투영 거리로 유사도를 재는 변종도 있다.

표현 집계 — 강화학습 셀렉터. 모든 관심사가 현재 아이템에 기여하는 건 아니므로, 가장 관련 있는 관심사를 강화학습으로 동적 선택하기도 한다. 정책 모델 $\pi_\theta(s, a)$ 가 상태 $s$ (현재 아이템에 대한 사용자 관심사) 에서 행동 분포 (관심사 선택 여부) 를 내고, 추천 성능을 보상으로 정책을 갱신한다. dueling Q-network 를 써서 Bellman 방정식을 따르는 변종도 있다.

추천 집계 — mean/max pooling. 각 관심사 $j$ 에서 아이템 $i$ 의 점수 $y_i^j$ 를 구한 뒤 mean/max 로 최종 점수를 만든다.

추천 집계 — attention 기반. 타깃 아이템 표현 $\mathbf{x}_i$ 와 관심사 $\mathbf{h}_j$ 의 관련성으로 각 점수의 가중치를 정한다.

집계기 비교. 표현 집계는 추천 전에 여러 관심사 벡터를 만들어 각각이 직접 후보 생성을 이끌 수 있지만, 학습·추론 비용이 높고 융합 모듈에 의존하며 중복/노이즈 표현에 연산을 낭비할 수 있다. 추천 집계는 관심사별 추천 결과를 먼저 만든 뒤 합쳐서 기존 파이프라인에 끼워 넣기 쉽고 다양성 제어가 유연하지만, 후보가 매우 많을 때 비용이 폭증하고 결과 병합 시 중복/충돌이 최종 결과를 해칠 수 있다.

학습 목표 / 손실 함수: 다양성 정규화

dynamic routing 이나 attention 으로 뽑은 다중 관심사 표현은 관심사 표현 붕괴 (representation collapse) 위험이 있다. 모든 관심사 표현이 서로 구분되지 않고 좁은 한 점으로 모이는 자명해 (trivial solution) 를 학습하는 현상으로, 모델의 표현력을 크게 떨어뜨린다. 이를 막기 위해 손실 함수에 불일치 (disagreement) 정규화 항을 넣어 관심사 표현들을 서로 밀어낸다. 정규화는 두 갈래로 나뉜다.

표현 정규화 (Representation Regularization)

의미 초공간 (semantic hyperspace) 에서 관심사 쌍 간 거리를 키워 붕괴를 완화한다.

코사인 유사도. 모든 관심사 표현 쌍의 코사인 유사도를 최소화해 구분도를 높인다.

대조 학습 (Contrastive Learning). 인스턴스를 양성 샘플에 가깝게, 음성 샘플에서 멀게 밀어내는 InfoNCE 손실을 정규화로 쓴다.

양성 $\mathbf{h}_i^+$ 는 원 표현에 노이즈 섭동/드롭아웃을 가해 만들고, 음성 $\mathbf{h}_j^-$ 는 다른 관심사 표현에서 샘플링한다.

분포 정규화 (Distribution Regularization)

표현 자체가 아니라 각 관심사의 분포 변동성 을 키워 붕괴를 막는다.

공분산 정규화. 아이템-관심사 라우팅 행렬 $\mathbf{C} \in \mathbb{R}^{t \times K}$ 의 공분산 행렬 대각 원소 (분산) 에 제약을 건다.

$\bar{\mathbf{C}}$ 는 첫 축을 따른 $\mathbf{C}$ 의 평균이고, $\Vert \cdot\Vert _F$ 는 프로베니우스 노름이다.

원소별 정규화. 더 직접적으로, 두 관심사의 attention 분포 행렬을 원소별로 비교해 차이를 키운다.

$\mathbf{W}_i$, $\mathbf{W}_j$ 는 관심사 $i$, $j$ 의 attention 분포 행렬이고 $\odot$ 는 아다마르 곱이다. 저자들은 직교/분리 페널티 (표현 정규화) 는 최소 비용으로 다양성을 높이지만 너무 강하면 정확도를 해치고, 분포 제약은 군집 기반 모델에서 커버리지를 보장하지만 실제 행동 분포와 어긋날 수 있으며, 대조 학습은 미묘하게 겹치는 관심사를 잘 잡지만 음성 쌍 설계에 민감하다고 정리한다. 실무에서는 정규화 + 대조 학습 같은 하이브리드를 권한다.

학습 데이터와 파이프라인: 응용 시나리오와 공개 데이터셋

다중 관심사 모델링은 일반 응용 (온라인 쇼핑·엔터테인먼트) 과 전문 도메인 (헬스케어·교육) 에 두루 적용된다. 서베이가 정리한 시나리오별 대표 공개 데이터셋은 다음과 같다.

대표 산업 사례로는 MIND (Tmall), ComiRec·PIMI·UMI·ULIM (Alibaba 온라인 추천), Trinity (Douyin/Douyin Lite 의 다중·장기·롱테일 관심사 통합), LongRetriever (초장기 시퀀스의 다중 관심사 검색) 등이 있다. 특히 ULIM 은 Taobao 에서 수만 개 상호작용 규모의 장기 행동 시퀀스를 카테고리 인식 부분 시퀀스로 분할하고 pointer-generator 네트워크로 top-K 관심사 카테고리를 예측해 지연 (latency) 제약을 푼다.

결과 분석 / 도전 과제

서베이의 후반부는 미래 방향을 여섯 갈래로 짚는다. 각 항목은 단순 나열이 아니라 “왜 지금 이게 병목인가”를 함께 설명한다.

• 적응적 다중 관심사 추출 (5.1). 대부분의 기법은 관심사 개수 $K$ 를 고정한다. 하지만 뉴스는 보통 단일 토픽에 집중되는 반면 영화는 본질적으로 모호하고 다면적이라, 고정 $K$ 는 비현실적이고 도메인 간 지식 전이를 막는다. 희소 관심사 캡슐 활성화, DBSCAN 같은 밀도 기반 군집, 계층적 군집의 덴드로그램, silhouette score·gap statistic 으로 최적 $K$ 를 동적으로 정하는 방향이 제안된다.
• 효율성 (5.2). 다중 관심사 모델링은 일반 추천보다 계산 비용이 훨씬 크다. 관심사 개수, dynamic routing 의 반복 (캡슐 간 학습 행렬이 캡슐 수에 제곱으로 증가), 외부 사이드 정보 인코딩, 집계 방식 모두가 병목이다.
• 디노이징을 위한 추출 (5.3). 모든 아이템이 사용자 의도에 유익한 건 아니다 (우발적 클릭, 부정확한 텍스트 설명). dynamic routing 은 본질적으로 노이즈를 soft-filtering 하는 성질 — 어떤 관심사 군집과도 정렬되지 않는 신호는 가중치가 낮아짐 — 이 있어 관심사 수준 디노이징의 원리적 길을 연다. 단 관심사 캡슐 내부/사이에서 노이즈를 어떻게 줄일지는 거의 연구되지 않았다.
• 설명가능성 (5.4). 다중 관심사 설정에서는 “왜 추천했는가”뿐 아니라 “여러 선호 중 어떤 관심사가 이 추천을 이끌었는가”까지 밝혀야 한다. 아이템과 관심사 표현 간 세밀한 잠재 매핑을 밝히는 연구가 더 필요하다.
• 롱테일·콜드스타트 완화 (5.5). 데이터 희소성이 근본 원인인 두 문제에, 다중 관심사 모델링은 이질적 보조 신호를 관심사 벡터 증강에 명시적으로 통합할 수 있어 구조적 이점이 있다. 멀티모달 사전학습, 도메인 간 관심사 프로토타입, 공간-시간 신호·사용자 집단 구조가 콜드 아이템 표현을 보강한다.
• 프런티어 방법론 (5.6). ① 강화학습 — 사용자 상호작용을 실시간 의사결정으로 보고 관심사 선택을 정책으로 모델링. ② LLM/VLM — 뉴스 콘텐츠 인코딩, 아이템 맥락 모델링, DPO (direct preference optimization) 로 다중 선호 정렬, 멀티모달 사전학습. ③ 확산 모델 (diffusion) — 역과정으로 노이즈 상호작용의 영향을 줄여 정제된 다중 관심사 표현을 만들지만, 사용자 관심사의 모호성·노출 편향 때문에 진짜 다면 관심사를 복원하기는 여전히 어렵다.

한계와 비판적 평가

• 서베이 자체의 평가 부재. 종합 정리로서의 가치는 크지만, 모든 기법을 동일 데이터셋·동일 프로토콜로 재현해 비교한 벤치마크 표가 없다. 어떤 추출기·집계기 조합이 어떤 시나리오에서 실제로 얼마나 우월한지는 독자가 원논문을 일일이 확인해야 한다.
• 하이브리드 권고의 근거. “routing + attention 하이브리드가 최선”이라는 결론은 직관적이지만 정량적 근거 (예: 효율-성능 trade-off 곡선) 가 본문에 제시되지 않아 정성적 주장에 머문다.
• 암묵적/명시적 경계의 모호성. 명시적 vs 암묵적 모델링 구분은 유용하지만, 사이드 정보를 “최소한으로” 쓰는 기법들이 어느 쪽에 속하는지 경계가 분명치 않다.
• (저자가 인정한 한계) 고정 관심사 개수, 높은 계산 비용, 관심사 수준 디노이징·설명가능성의 미성숙, 확산 모델의 이론-실제 괴리 등은 본문에서 솔직하게 미해결 과제로 적시한다.
• 평가 지표 표준화 부재. 다양성·정확도·설명가능성을 동시에 측정하는 표준 지표가 합의되지 않아, 논문 간 “다양성 향상” 주장의 비교가 어렵다는 점은 이 분야 전반의 구조적 약점이다.

시사점 / Takeaways

• 모든 다중 관심사 기법은 “추출기 + 집계기”로 환원된다. 새 논문을 읽을 때 (1) 추출이 dynamic routing 인가 attention 인가 비선형 변환인가, (2) 집계가 표현 단계인가 추천 단계인가, (3) 다양성을 어떤 정규화로 보장하는가 — 이 세 질문만 던지면 빠르게 좌표를 잡을 수 있다. Table 3 이 그 지도다.
• 표현 붕괴는 다중 관심사의 아킬레스건이다. $K$ 개 벡터를 뽑아도 다 같은 점으로 모이면 단일 표현과 다를 바 없다. 코사인/대조/공분산/원소별 정규화 중 무엇을 쓰는지가 모델의 실제 다양성을 좌우한다.
• 고정 $K$ 는 임시방편이다. 뉴스는 단일 토픽, 영화는 다면적이라는 사실 하나만으로도 관심사 개수를 데이터에서 적응적으로 정하는 방향이 다음 세대의 핵심 과제임을 알 수 있다.
• 다중 관심사는 롱테일·콜드스타트와 천생연분이다. 이질적 사이드 정보를 관심사 벡터에 직접 주입할 수 있는 구조라, 데이터 희소성 문제에 단일 표현보다 본질적으로 유리하다. 산업 배포 (Tmall, Alibaba, Douyin) 사례가 이를 뒷받침한다.
• LLM·확산 모델이 다음 프런티어다. 멀티모달·세계 지식을 관심사 추출에 녹이는 방향은 이미 시작됐지만, 확산 모델로 “진짜” 다면 관심사를 복원하는 일은 노출 편향이라는 근본적 난제를 넘어야 한다.

참고 자료

• 논문: Multi-Interest Recommendation: A Survey (DOI: 10.1145/3789510)
• Code / 정리 저장소: WHUIR/Multi-Interest-Recommendation-A-Survey
• Venue: ACM Transactions on Information Systems, Vol. 44, No. 4, Article 78 (April 2026)

더 읽어보기

• Multi-Interest Network with Dynamic Routing for Recommendation at Tmall (Li et al., CIKM 2019) — dynamic routing 으로 사용자 다중 관심사를 표현해 다중 관심사 추천을 본격화한 MIND.
• Controllable Multi-Interest Framework for Recommendation (Cen et al., KDD 2020) — 다중 관심사 추출 + 정확도/다양성을 조절 가능한 집계 모듈을 결합한 ComiRec.
• Sparse-Interest Network for Sequential Recommendation (Tan et al., WSDM 2021) — 큰 개념 풀에서 사용자별로 희소한 관심사 집합을 적응적으로 추론하는 SINE.
• Exploring Periodicity and Interactivity in Multi-Interest Framework for Sequential Recommendation (Chai et al., 2021) — 시퀀스의 주기성과 시간 간격을 다중 관심사 모델링에 통합한 PIMI.
• Dynamic Routing Between Capsules (Sabour et al., NeurIPS 2017) — 다중 관심사 추출의 dynamic routing 이 빌려온 원조 CapsNet 논문.