분리하고 잠재적 혼란 요인을 학습하여 사용자 선호도 모델링 향상하기

추천 시스템 모델은 과거 피드백에서 사용자 선호도를 포착하고 후보 항목에 대한 사용자별 피드백을 예측하려 하지만, 다양한 측정되지 않은 혼란 요인으로 인해 과거 피드백의 사용자 선호도와 진정한 선호도 사이에 편차가 발생하여 모델 성능이 기대에 미치지 못한다. 본 연구는 이전 추천 시스템의 영향을 고려하고 잠재적 혼란 요인을 분리하여 사용자의 진정한 선호도를 포착하는 새로운 프레임워크를 제안한다.