본 연구는 사용자의 제한적인 행동 데이터에도 불구하고 효과적으로 사용자 선호도를 모델링하기 위해 온라인 클러스터링과 자기증류 기법을 결합한 새로운 학습 패러다임을 제안한다.
대형 언어 모델을 활용하여 아이템 간 잠재 관계를 발견하고, 이를 관계 인지 순차적 추천 모델에 통합하여 추천 성능을 향상시킨다.
본 연구는 양방향 시간 데이터 증강과 지식 강화 미세 조정을 통해 순차적 추천 모델의 성능을 향상시킨다. 이를 통해 사용자 선호도를 유지하면서도 항목 간 의미 관계를 강화하여 모델의 표현력을 높인다.
선택적 상태 공간 모델인 Mamba를 활용하여 사용자의 장기적인 관심사를 효과적으로 모델링할 수 있음을 입증하였다.
순차적 추천 시스템에서 데이터 증강 기법만으로도 우수한 성능을 달성할 수 있으며, 대조 학습이 필수적이지 않다는 것을 보여준다.