Kernkonzepte
본 연구는 사용자의 제한적인 행동 데이터에도 불구하고 효과적으로 사용자 선호도를 모델링하기 위해 온라인 클러스터링과 자기증류 기법을 결합한 새로운 학습 패러다임을 제안한다.
Zusammenfassung
본 논문은 순차적 추천 시스템의 핵심 과제인 데이터 희소성 문제를 해결하기 위해 온라인 자기지도 학습과 자기증류 기법을 결합한 새로운 학습 패러다임 S4Rec을 제안한다.
온라인 클러스터링 모듈: 사용자의 잠재적 의도를 효과적으로 그룹화하고, 행동 길이 요인의 영향을 받지 않도록 적대적 학습 전략을 활용한다.
클러스터 기반 자기증류 모듈: 행동 데이터가 풍부한 사용자(교사)로부터 행동 데이터가 제한적인 사용자(학생)로 지식을 전달한다.
실험 결과: 4개의 실제 데이터셋에서 제안 모델의 우수한 성능을 검증했으며, 특히 행동 데이터가 제한적인 사용자에 대한 성능 향상이 두드러졌다.
Statistiken
사용자 행동 데이터의 길이가 클러스터링 결과에 미치는 영향을 최소화하기 위해 적대적 학습 전략을 도입하였다.