PRECISE: 협업 및 의미 정보를 활용한 시퀀셜 추천 시스템의 혁신


송충강 등 연구진이 발표한 PRECISE는 협업 신호와 의미 정보를 결합한 새로운 사전 학습 기반 시퀀셜 추천 프레임워크로, 장기 아이템 및 콜드 스타트 문제를 해결하고 공개 및 산업 데이터셋에서 뛰어난 성능을 달성했습니다. 이는 추천 시스템의 정확성과 사용자 경험 향상에 크게 기여할 것으로 기대됩니다.

related iamge

협업과 의미의 조화: PRECISE가 제시하는 새로운 추천 시스템의 지평

최근 발표된 논문 "PRECISE: Pre-training Sequential Recommenders with Collaborative and Semantic Information"은 사용자의 다양한 요구를 충족시키는 추천 시스템의 새로운 패러다임을 제시합니다. 송충강 등 연구진은 산업 플랫폼의 방대한 사용자 규모를 고려하여 단일 모델로 모든 시나리오를 처리하는 어려움을 지적하며, 기존의 개별 추천 파이프라인 방식의 한계를 극복할 해결책으로 PRECISE를 제안합니다.

기존의 사전 학습 기반 추천 모델들은 주로 협업 신호에 의존하여 사용자의 관심사를 파악했습니다. 하지만 이러한 접근 방식은 장기 아이템 및 콜드 스타트 문제에 취약하다는 단점이 있었습니다. 여기에 착안하여 PRECISE는 협업 신호와 의미 정보를 결합하는 혁신적인 전략을 채택합니다. 대규모 언어 모델(LLM)의 발전을 활용하여 사용자와 아이템의 의미 정보를 추출하고, 이를 협업 신호와 통합하여 더욱 정교한 사용자 관심사 모델링을 구현합니다. 이는 단순한 협업 필터링을 넘어, 사용자의 숨겨진 니즈까지 파악할 수 있는 가능성을 제시합니다.

PRECISE의 핵심은 두 단계 학습 방식에 있습니다. 먼저 모든 추천 시나리오를 아우르는 사용자의 포괄적인 관심사를 모델링하고, 그 후 특정 시나리오의 행동에 초점을 맞춰 사용자의 관심사를 세분화합니다. 이를 통해 PRECISE는 사용자의 전반적인 관심사를 정확하게 파악하고, 이를 목표 관심사로 효과적으로 전이시킬 수 있습니다.

연구진은 공개 및 산업용 데이터셋을 사용한 실험을 통해 PRECISE의 우수한 성능을 검증했습니다. 이는 PRECISE가 단순한 이론적 모델이 아닌, 실제 환경에서도 효과적으로 작동하는 실용적인 시스템임을 보여줍니다. PRECISE는 추천 시스템 분야의 새로운 이정표를 제시하며, 향후 연구의 방향을 제시하는 중요한 성과입니다. 이 연구는 추천 시스템의 정확도 향상은 물론, 사용자 경험 개선에도 크게 기여할 것으로 기대됩니다. 특히, 다양한 콘텐츠와 복잡한 사용자 행동을 처리해야 하는 대규모 추천 시스템에 적용될 경우 그 효과가 더욱 클 것으로 예상됩니다.


*이 기사는 AI가 생성한 내용으로, 일부 정보가 실제와 다를 수 있습니다. 정확한 확인을 위해 추가적인 검증을 권장드립니다.

Reference

[arxiv] PRECISE: Pre-training Sequential Recommenders with Collaborative and Semantic Information

Published:  (Updated: )

Author: Chonggang Song, Chunxu Shen, Hao Gu, Yaoming Wu, Lingling Yi, Jie Wen, Chuan Chen

http://arxiv.org/abs/2412.06308v1