생성형 추천 (Generative recommendation)은 사용자의 과거 행동으로부터 다음 상호작용을 예측하는 것을 목표로 하며, 산업용 추천 시스템에서 유망한 모습을 보여주고 있는 신흥 패러다임입니다. 생성형 추천의 핵심에는 아이템의 의미론 (item semantics)과 추천 모델을 연결하는 아이템 토큰화 (item tokenization)가 자리 잡고 있습니다. 그러나 기존 방식들은 복잡한 사용자 행동 및 아이템 의미론적 컨텍스트를 추천 모델에 동시에 효과적으로 조직하고 주입하는 데 어려움을 겪는 경우가 많습니다. 한편으로는, 그래프 직렬화 (graph serialization) 및 그래프 신경망 (graph neural networks)과 같은 기존의 그래프 기반 통합 방식들은 확장성 문제로 어려움을 겪거나 국소적인 그래프 정보만을 활용합니다. 다른 한편으로는, 기존의 의미론적 토큰화 (semantic tokenization) 방식들은 일반적으로 휴리스틱 (heuristics)에 의존하며 명시적인 지도 신호 (supervision signals)가 부족하여, 부정확하거나 최적화되지 않은 의미론적 표현 (semantic representations)으로 이어질 수 있습니다. 이러한 사용자 관심사 컨텍스트 모델링의 한계를 해결하기 위해, 우리는 산업 규모의 생성형 추천을 위해 전체론적인 그래프 기반 사용자 공동 참여 (user co-engagement) 모델링과 의미론적 토큰화를 통합하는 확장 가능한 프레임워크인 G2Rec을 제안합니다. 전반적으로, G2Rec은 정답(ground-truth) 사용자 관심사가 필요하지 않으면서도 추천 모델이 전체론적이고 의미론적으로 근거가 있는 사용자 관심사 프로토타입 (user interest prototypes)을 포착할 수 있게 하여, 산업용 순차적 추천 (sequential recommendation)에서 사용자 행동 컨텍스트에 대한 더욱 포괄적이고 정확한 모델링을 제공합니다. 제품 서비스 전반에 걸친 온라인 배포와 공개 데이터셋에 대한 광범위한 실험을 통해 G2Rec이 기존 방식보다 우수함을 입증하였습니다.