세션 기반 추천 시스템의 혁신: SessionRec

메이투안 연구진이 개발한 SessionRec은 기존의 아이템 단위 예측 방식의 한계를 극복하고 세션 단위 예측을 통해 사용자의 다양한 관심사를 효과적으로 반영하는 혁신적인 생성적 순차 추천 시스템입니다. 계층적 시퀀스 집계, 아이템 순위 손실 통합, 그리고 메이투안 앱 A/B 테스트를 통한 검증 결과는 SessionRec의 우수성을 입증하며, 산업 규모의 생성적 추천 시스템 개발에 새로운 가능성을 제시합니다.

중국 대표 O2O 플랫폼 메이투안의 연구진(Lei Huang 외 9명)이 발표한 논문 "SessionRec: 차세대 세션 예측 패러다임을 위한 생성적 순차 추천"은 기존 추천 시스템의 패러다임을 뒤흔들고 있습니다. 기존의 아이템 단위 예측 방식(NIPP)은 실제 사용자의 세션 기반 상호작용과는 차이가 있다는 점을 지적하며, 세션 단위 예측 방식(NSPP) 인 SessionRec을 제시했습니다.

SessionRec의 핵심은 계층적 시퀀스 집계를 통한 세션 인식 표현 학습입니다. 이는 세션 내(intra-session) 및 세션 간(inter-session) 상호작용을 효율적으로 고려하여 사용자의 다양한 관심사를 포착하고, 대규모 음성 상호작용을 암시적으로 모델링합니다. 더 나아가, 다음 세션 예측 패러다임에서 아이템 순위 손실을 통합하여 기존 모델의 순위 효율성을 비약적으로 향상시켰습니다. 놀랍게도, SessionRec은 대규모 언어 모델(LLM) 에서 관찰되는 것과 유사한 멱법칙 스케일링 법칙을 보이는 것으로 확인되었습니다.

메이투안 앱의 온라인 A/B 테스트 결과는 SessionRec의 효과를 명확하게 증명했습니다. 모델 독립적인 아키텍처와 계산 효율성을 바탕으로, SessionRec은 산업 규모의 생성적 추천 시스템 개발을 위한 새로운 기반을 마련했습니다. 이는 단순한 알고리즘 개선을 넘어, 사용자 경험을 획기적으로 향상시키고, 추천 시스템의 미래를 새롭게 정의하는 중요한 발걸음입니다.

결론적으로, SessionRec은 다음과 같은 핵심적인 특징을 가지고 있습니다:

• 세션 기반 예측으로 현실적인 사용자 행동 반영
• 계층적 시퀀스 집계를 통한 효율적인 학습
• 암시적 음성 상호작용 모델링 및 향상된 순위 효율성
• 대규모 언어 모델과 유사한 스케일링 법칙
• 메이투안 앱 A/B 테스트를 통한 실제 효과 검증

이 연구는 단순한 기술적 진보를 넘어, 사용자 중심의 추천 시스템 설계에 대한 새로운 패러다임을 제시하며, 앞으로 추천 시스템 분야의 지속적인 발전에 중요한 영향을 미칠 것으로 예상됩니다.