리뷰는 실제로 얼마나 기여하는가? 추천을 위한 텍스트 강화 행렬 분해 (Text-Enriched Matrix Factorization) 연구

추천 시스템 (Recommender System)에 텍스트 리뷰를 통합하는 것은 협업 신호 (collaborative signals)를 의미론적 정보 (semantic information)로 풍부하게 만드는 유망한 전략이 되었습니다. 그러나 강력한 협업 베이스라인 (collaborative baselines)이 사용될 때, 리뷰에서 유도된 표현 (representations)의 실제 기여도는 여전히 미해결 과제로 남아 있습니다. 본 연구에서는 공통된 협업 백본 (collaborative backbone) 위에서 세 가지 강화 전략을 도입하고 비교함으로써, 텍스트 정보가 행렬 분해 (Matrix Factorization)에 미치는 영향을 체계적으로 조사합니다. 첫째, 우리는 학습 가능한 게이팅 메커니즘 (gating mechanism)을 제안하여 훈련 과정 동안 협업 신호와 텍스트 신호의 균형을 적응적으로 조절합니다. 이 메커니즘은 두 가지 서로 다른 리뷰 표현에 적용됩니다: (i) 사용자 및 아이템 이력에서 추출된 집계된 토픽 프로필 (aggregated topic profiles), 그리고 (ii) 리뷰에서 유도된 전체 텍스트 임베딩 표현 (full text embedding representations). 또한, 우리는 협업 요인 (collaborative factors)과 융합하기 전에 텍스트 표현의 가장 정보가 많은 차원을 식별하고 강조하는 교차 주의 (cross-attention) 메커니즘을 탐구합니다. 우리는 다음의 6가지 변형 모델을 평가합니다: 순수 모델 (pure), 게이팅을 통해 토픽 프로필과 텍스트로 강화된 모델, 게이팅을 통해 토픽과 텍스트로 강화된 모델, 그리고 텍스트 특징에 대해 교차 주의로 향상된 모델입니다. 여러 리뷰 기반 데이터셋에 걸친 실험 결과, 적응형 융합 메커니즘 (adaptive fusion mechanisms)이 표현의 유연성을 향상시키기는 하지만, 텍스트 신호의 한계적 기여 (marginal contribution)는 협업 백본에 비해 여전히 제한적이라는 것이 밝혀졌습니다. 이러한 결과는 일반적인 평점 예측 (rating-prediction) 설정 하에서 협업 정보가 성능을 계속해서 지배한다는 것을 시사하며, 추천 모델에 의미론적 리뷰 신호를 효과적으로 통합하기 위한 중요한 고려 사항을 제기합니다.