Core Concepts
선택적 상태 공간 모델인 Mamba를 활용하여 사용자의 장기적인 관심사를 효과적으로 모델링할 수 있음을 입증하였다.
Abstract
이 연구는 순차 추천 분야에서 Mamba의 성능을 조사하였다. 특히 사용자의 장기적인 행동 시퀀스(길이 >= 2k)를 모델링하는 데 초점을 맞추었다.
주요 내용은 다음과 같다:
다양한 순차 추천 모델들의 장기 시퀀스 모델링 성능을 비교 평가하였다.
실험 결과, Mamba 기반의 RecMamba 모델이 대표적인 순차 추천 모델인 SASRec과 유사한 성능을 보이면서도 훈련 시간을 약 70% 줄이고 메모리 비용을 80% 절감할 수 있음을 확인하였다.
시퀀스 길이가 증가할수록 RecMamba의 성능이 향상되는 것으로 나타났다.
이를 통해 Mamba가 장기 사용자 행동 시퀀스 모델링에 효과적임을 입증하였다.
Stats
사용자 행동 시퀀스의 길이가 증가할수록 추천 성능이 향상된다.
RecMamba는 SASRec과 유사한 성능을 보이면서도 훈련 시간을 약 70% 줄이고 메모리 비용을 80% 절감할 수 있다.
Quotes
"RecMamba achieves performance comparable to the representative model while significantly reducing training duration by approximately 70% and memory costs by 80%."