경량화된 효율성: 순차 추천을 위한 위치 프롬프트가 포함된 외부 어텐션 그래프 합성곱 네트워크

장진유, 리차오, 조중영 연구팀이 개발한 EA-GPS는 경량화된 설계와 효율적인 알고리즘을 통해 기존 순차 추천 시스템의 한계를 극복하고, 자원 제약 환경에서도 우수한 성능을 제공합니다.

최근 사용자-아이템 상호작용과 아이템 간 순차적 관계를 동시에 처리하는 그래프 기반 순차 추천 시스템(GSR)이 주목받고 있습니다. 하지만 기존 GSR들은 그래프 인코딩에 복잡한 구조(예: 그래프 트랜스포머)를 사용하여 계산 복잡도가 높다는 단점이 있었습니다. 이는 자원 제약이 있는 에지 디바이스에서의 배포를 어렵게 만들었습니다. 또한, 그래프 트랜스포머의 상대적 위치 인코딩은 순차 데이터 내 복잡한 위치 의존성을 고려하는 데 어려움을 겪었습니다.

장진유, 리차오, 조중영 연구팀은 이러한 문제를 해결하기 위해 EA-GPS(External Attentive Graph convolutional network with Positional prompts for Sequential recommendation) 를 제안했습니다. EA-GPS는 두 개의 외부 메모리 유닛을 통해 노드 간의 전역적 연관성을 선형적으로 측정하는 외부 어텐션 그래프 합성곱 네트워크를 도입했습니다. 또한, 절대 아이템 위치를 외부 프롬프트로 명시적으로 처리하는 위치 프롬프트 기반 디코더를 제시했습니다.

길이에 따라 변하는 순차적 마스킹과 소프트 어텐션 네트워크를 도입하여 장기간 위치 의존성과 순차 내 문맥적 관계를 포착하도록 설계되었습니다. 5개의 실제 데이터셋에 대한 광범위한 실험 결과, EA-GPS는 최첨단 기법들을 능가하는 성능을 보였습니다. 특히, 더 작은 매개변수 크기와 낮은 학습 오버헤드를 유지하면서 우수한 성능을 달성했습니다. 이 연구의 구현 코드는 GitHub에서 공개적으로 이용 가능합니다.

핵심은 무엇일까요?

• 경량화: 복잡한 구조를 지양하고 효율적인 네트워크 설계로 자원 제약 환경에서도 동작 가능하도록 했습니다.
• 효율성: 외부 어텐션 메커니즘과 위치 프롬프트를 통해 성능 저하 없이 계산량을 줄였습니다.
• 성능 향상: 실제 데이터셋에서 최첨단 기법들을 뛰어넘는 성능을 입증했습니다.

EA-GPS는 순차 추천 시스템의 발전에 크게 기여할 뿐만 아니라, 모바일 기기와 같은 제한된 환경에서의 AI 서비스 구축에 새로운 가능성을 제시합니다. 이는 단순한 기술적 진보를 넘어, 더욱 폭넓은 사용자에게 AI의 혜택을 제공할 수 있는 중요한 발걸음입니다. ✨