중요한 부분에 더 깊이 생각하기: 순차 추천을 위한 아이템 레벨 적응형 재귀

요약

기존 순차 추천 모델들은 모든 아이템에 고정된 계산 예산을 할당하는 비효율성을 가집니다. 본 논문은 아이템별로 필요한 깊이가 다르다는 점을 지적하며, 이를 해결하기 위해 LoopRec이라는 적응형 재귀 구조를 제안합니다. LoopRec은 경량 게이트를 통해 각 아이템의 처리 필요성에 따라 동적으로 계산을 종료하거나 계속 진행하여 효율성과 성능을 모두 높입니다.

핵심 포인트

• 기존 추천 모델은 모든 아이템에 고정된 계산 예산을 할당하는 비효율성이 있습니다.
• LoopRec은 경량 게이트를 사용하여 아이템별로 필요한 깊이를 적응적으로 결정합니다.
• 처리 필요도가 높은 아이템은 더 깊은 추론을 거치고, 성숙한 아이템은 조기에 종료됩니다.
• 공개 벤치마크 실험에서 LoopRec이 고정 깊이 모델보다 일관되게 우수한 성능을 입증했습니다.