Core Concepts
다양한 유형의 사용자 전환 행동을 효과적으로 모델링하여 통합 검색 및 추천 서비스를 제공하는 것이 핵심 아이디어이다.
Abstract
이 논문은 검색과 추천 서비스 간의 사용자 전환 행동을 효과적으로 모델링하는 UniSAR 프레임워크를 제안한다.
추출, 정렬, 융합의 3단계로 구성되어 있다:
추출 단계에서는 사전 정의된 마스크를 사용한 트랜스포머를 통해 4가지 유형의 전환 행동(s2s, r2r, r2s, s2r)을 추출한다.
정렬 단계에서는 대조 학습을 통해 동일한 시나리오의 전환과 다른 시나리오의 전환을 정렬하여 서로의 관계를 학습한다.
융합 단계에서는 교차 주의 메커니즘을 사용하여 다양한 전환을 융합하여 전체 사용자 표현을 얻는다.
이렇게 학습된 표현은 검색 및 추천 모델의 입력으로 사용된다.
검색 및 추천 데이터에 대한 공동 학습을 통해 상호 지식을 활용하고 향상시킨다.
실험 결과, UniSAR는 기존 단일 시나리오 모델과 기존 통합 검색 및 추천 모델을 모두 능가하는 성능을 보였다.
Stats
"사용자가 추천 항목을 탐색한 후 관련 항목을 검색하는 경우, 이전 시나리오가 추천인 경우 상관관계 비율은 4.86%이지만, 이전 시나리오가 검색인 경우 상관관계 비율은 17.14%로 크게 감소한다."
"사용자가 검색 항목을 클릭한 후 관련 항목을 추천받는 경우, 이전 시나리오가 검색인 경우 상관관계 비율은 3.67%이지만, 이전 시나리오가 추천인 경우 상관관계 비율은 7.99%로 증가한다."
Quotes
"사용자가 현재 시나리오와 다른 시나리오로 전환하는 경우, 사용자의 정보 요구가 크게 변화할 가능성이 높다."
"UniSAR는 다양한 유형의 사용자 전환 행동을 효과적으로 모델링하여 통합 검색 및 추천 서비스를 제공한다."
"UniSAR는 기존 단일 시나리오 모델과 기존 통합 검색 및 추천 모델을 모두 능가하는 성능을 보였다."