Kernkonzepte
대형 언어 모델을 활용하여 아이템 간 잠재 관계를 발견하고, 이를 관계 인지 순차적 추천 모델에 통합하여 추천 성능을 향상시킨다.
Zusammenfassung
이 논문은 대형 언어 모델(LLM)을 활용하여 아이템 간 잠재 관계를 발견하고, 이를 관계 인지 순차적 추천 모델에 통합하는 새로운 방법을 제안한다.
기존 관계 인지 순차적 추천 모델은 수동으로 정의된 관계에 의존하여 한계가 있었다. 이를 해결하기 위해 LLM의 풍부한 세계 지식을 활용하여 아이템 간 잠재 관계를 자동으로 발견한다.
잠재 관계 발견 모듈은 LLM 기반 아이템 표현을 활용하여 아이템 간 잠재 관계를 예측하고, 아이템 재구성 작업을 통해 관계 예측의 정확성과 일반화 능력을 높인다.
발견된 잠재 관계와 기존 정의된 관계를 모두 활용하여 관계 인지 순차적 추천 모델의 성능을 향상시킨다.
실험 결과, 제안 방법이 기존 관계 인지 순차적 추천 모델 대비 유의미한 성능 향상을 보였으며, 발견된 잠재 관계의 타당성을 확인하였다.
Statistiken
사용자 수: 943명, 4,905명, 192,403명
아이템 수: 1,349개, 2,420개, 63,001개
상호작용 수: 99,287개, 53,258개, 1,682,498개
상호작용 밀도: 7.805%, 0.448%, 0.014%
관계 수: 2개, 4개, 4개
관계 트리플릿 수: 886K, 778K, 2,148M