순차적 추천 (Sequential recommendation)은 사용자의 과거 행동을 분석하여 사용자의 다음 아이템 상호작용을 예측하는 것을 목표로 합니다. 그러나 아이템 표현 (item representations)의 제한된 품질은 여전히 중요한 병목 현상으로 남아 있습니다. 사전 학습된 대규모 언어 모델 (LLMs)은 풍부한 의미론적 표현 (semantic representations)을 제공할 수 있지만, 기존 방식들은 고정된 속성의 정적 인코딩 (static encoding)에만 의존하여 아이템의 정체성을 정의하는 데 있어 타겟 오디언스 (target audiences)의 결정적인 역할을 간과하고 있습니다. 더욱이, 의미론적 공간 (semantic space)은 실제 사용자 행동을 반영하는 데 어려움이 있어, 의미론적 표현과 행동 패턴 (behavioral patterns) 사이에 상당한 격차가 발생합니다. 이러한 한계를 해결하기 위해, 우리는 생성적 원형 기반 아이템 표현 (Generative Archetype-grounded Item Representations)을 통해 순차적 추천을 강화하는 일반 프레임워크인 GenAIR를 제안합니다. 구체적으로, 우리는 먼저 LLM을 활용하여 아이템 메타데이터를 분석하고, 아이템의 이상적인 타겟 오디언스의 개념적 프로필을 나타내는 원형 (Archetype)의 텍스트 설명을 추론합니다. 그런 다음 단일 순전파 (forward pass) 과정에서 그에 상응하는 임베딩 (embeddings)을 추출합니다. 나아가, 이러한 생성적 원형을 실제 행동에 접지(grounding)시키기 위해, 실제 상호작용으로부터의 행동 신호를 명시적으로 통합하는 행동 교정 목적 함수 (behavioral calibration objective)를 도입합니다. 이 목적 함수는 경험적 패턴을 반영하도록 임베딩 공간의 구조를 조정합니다. GenAIR는 높은 효율성을 유지하면서 대부분의 기존 모델과 원활하게 통합될 수 있습니다. 세 개의 실제 데이터셋에서 수행된 종합적인 실험을 통해 GenAIR가 다양한 순차적 추천 모델의 성능을 크게 향상시키며, 최신 베이스라인 (state-of-the-art baseline) 방식들을 일관되게 능가함을 입증했습니다. 구현 코드는 https://github.com/AI-Santiago/GenAIR 에서 확인할 수 있습니다.