Core Concepts
사용자의 다양하고 역동적인 상호작용 의도를 효과적으로 분리하고 이를 활용하여 순차적 추천 성능을 향상시킬 수 있다.
Abstract
이 논문은 사용자의 순차적 상호작용 행동을 예측하고 추천하는 문제를 다룹니다. 사용자의 상호작용 행동은 다양한 의도에 의해 이루어지므로, 이를 효과적으로 분리하고 활용하는 것이 중요합니다.
논문에서는 다음과 같은 접근법을 제안합니다:
변분 자동 인코더(VAE)를 사용하여 사용자의 다중 의도를 분리하고 잠재 공간에 매핑합니다.
두 가지 대조 학습 패러다임을 제안합니다:
의도 기반 대조 학습: 가장 유사한 의도와 가장 유사하지 않은 의도 간의 거리를 최대화하여 관련 없는 의도의 영향을 줄입니다.
순서 기반 대조 학습: 동일 사용자의 증강된 순서 간 유사도를 높이고 다른 사용자의 순서 간 유사도를 낮춰 사용자 표현을 최적화합니다.
의도 분리와 대조 학습을 통해 얻은 사용자 및 아이템 표현을 이용하여 상호작용 확률을 예측하고 추천합니다.
실험 결과, 제안 모델인 MIDCL이 다양한 실제 데이터셋에서 기존 방법들보다 우수한 성능을 보였으며, 사용자 의도 이해와 해석 가능성 측면에서도 장점을 가지고 있습니다.
Stats
사용자의 마지막 상호작용 아이템이 다음 예측 아이템에 가장 큰 영향을 미친다.
두 사용자가 서로 다른 행동 패턴을 보이더라도 그들의 의도가 유사할 수 있다.
Quotes
"사용자의 선택은 상황 정보의 영향을 받지만 자신의 상호작용 의도와도 관련이 있다."
"사용자의 상호작용 의도는 역동적이고 복잡하게 얽혀 있기 때문에, 이를 효과적으로 분해하는 것이 중요한 과제이다."