核心概念
인기 동역학을 활용하여 범용적인 아이템 및 순차 표현을 학습하고, 이를 통해 보조 정보 없이도 도메인 및 애플리케이션 간 제로 샷 전이가 가능한 사전 학습 순차 추천 프레임워크를 제안한다.
摘要
이 논문은 사전 학습 순차 추천 프레임워크인 PrepRec을 제안한다. 기존 순차 추천 모델들은 아이템 ID 또는 보조 정보에 기반하여 아이템 표현을 학습하므로 새로운 도메인이나 애플리케이션으로 일반화하기 어려웠다. 이에 반해 PrepRec은 아이템의 인기 동역학을 활용하여 범용적인 아이템 및 순차 표현을 학습한다. 이를 통해 보조 정보 없이도 도메인 및 애플리케이션 간 제로 샷 전이가 가능하다.
구체적으로 PrepRec은 다음과 같은 구성으로 이루어진다:
- 아이템 인기 동역학을 모델링하여 범용적인 아이템 표현을 학습
- 상대 시간 인코딩과 위치 인코딩을 통해 순차 정보를 효과적으로 인코딩
- 아이템 인기 동역학을 고려한 Transformer 아키텍처로 범용적인 순차 표현 학습
- 학습된 표현을 활용하여 새로운 도메인 및 애플리케이션에 대한 제로 샷 순차 추천 수행
다양한 실험을 통해 PrepRec이 보조 정보 없이도 뛰어난 일반화 성능을 보임을 확인했다. 또한 기존 최신 순차 추천 모델 대비 Recall@10과 NDCG@10에서 각각 12.4%, 22% 향상된 성능을 보였다.
統計資料
아이템의 인기 동역학을 모델링하기 위해 장기적 및 단기적 인기도 변화를 고려한다.
장기적 인기도 변화: 아이템의 전반적인 인기도를 반영
단기적 인기도 변화: 최근 트렌드 변화를 반영
引述
"우리는 아이템의 인기 동역학을 활용하여 범용적인 아이템 및 순차 표현을 학습하고, 이를 통해 보조 정보 없이도 도메인 및 애플리케이션 간 제로 샷 전이가 가능한 사전 학습 순차 추천 프레임워크를 제안한다."
"기존 순차 추천 모델들은 아이템 ID 또는 보조 정보에 기반하여 아이템 표현을 학습하므로 새로운 도메인이나 애플리케이션으로 일반화하기 어려웠다."