Generative Recommendation 을 위한 행동 강도 및 전이 모델링
요약
본 논문은 다양한 상호작용 유형을 모델링하여 사용자의 전환을 예측하는 다중 행동 추천 시스템의 한계를 개선하기 위해 제안된 'BITRec'이라는 새로운 생성적 프레임워크를 소개합니다. 기존 방법들이 행동 강도 차이나 전이 패턴 포착에 실패했던 문제를 해결하고자, BITRec은 계층적 행동 집계(HBA)와 명시적인 관계 행렬을 이용한 전이 관계 인코딩(TRE)을 도입했습니다. 대규모 데이터셋 실험 결과, 여러 주요 추천 지표에서 15~23%의 높은 성능 향상을 입증하며 그 효과를 보여주었습니다.
핵심 포인트
- 다중 행동 추천은 사용자의 다양한 상호작용 유형을 모델링하여 전환 예측에 활용된다.
- 기존 생성적 방법들은 행동 강도 차이나 전이 패턴 포착에 한계가 있었다.
- 제안된 BITRec 프레임워크는 '탐색'과 '헌신' 경로를 분리하는 계층적 행동 집계(HBA)를 통해 행동 강도를 명시적으로 모델링한다.
- BITRec은 명시적인 관계 행렬을 이용한 전이 관계 인코딩(TRE)으로 복잡한 행동 전이 구조를 효과적으로 포착한다.
- 실험 결과, BITRec은 대규모 데이터셋에서 여러 추천 지표(MRR, HR@10 등)에 걸쳐 15~23%의 성능 개선을 달성했다.
다중 행동 추천 (Multi-behavior recommendation) 은 다양한 상호작용 유형을 모델링하여 사용자의 전환 (conversion) 을 예측하는 것을 목표로 합니다. 최근에는 유연한 시퀀스 생성을 달성함으로써 다중 행동 추천의 중요한 패러다임으로 부상한 생성적 시퀀스 모델링 방법이 등장했습니다. 그러나 기존 생성적 방법은 일반적으로 행동을 보조 토큰 특징 (auxiliary token features) 으로 취급하여 통합 주의 메커니즘 (unified attention mechanisms) 에 입력합니다. 이러한 모델들은 역사적 행동들 간의 의존성이 균일하게 활성화됨을 암묵적으로 가정함으로써, 강도 (intensity) 의 차이를 구별하거나 전이 패턴 (transition patterns) 을 포착하는 데 실패합니다. 이러한 한계를 해결하기 위해 선택적 의존성 활성화 (selective dependency activation) 를 통해 구조화된 행동 모델링을 도입한 새로운 생성적 다중 행동 추천 프레임워크인 BITRec 을 제안합니다. BITRec 은 (i) 탐색 (exploration) 과 헌신 (commitment) 경로로 분리되어 행동 강도 차이를 명시적으로 모델링하는 계층적 행동 집계 (Hierarchical Behavior Aggregation, HBA), 그리고 (ii) 명시적인 학습 가능한 관계 행렬 (explicit learnable relation matrices) 을 통해 전이 구조를 인코딩하는 전이 관계 인코딩 (Transition Relation Encoding, TRE) 을 포함합니다. 수백만 건의 상호작용을 가진 네 개의 대규모 데이터셋 (RetailRocket, Taobao, Tmall, Insurance Dataset) 에서 수행한 실험 결과, 여러 지표에서 일관된 15-23% 의 개선을 달성했으며, 특히 Tmall 에서 MRR 이 최대 22.79%, Taobao 에서는 HR@10 이 17.83%, NDCG@10 이 17.55% 로 향상되었습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기