[논문] 순차 추천을 위한 생성적 전형 기반 아이템 표현

Source: arXiv - 2606.11023v1

Overview

시퀀셜 추천은 사용자의 과거 행동을 분석해 사용자가 다음에 어떤 아이템과 상호작용할지를 예측하는 것을 목표로 합니다. 그러나 아이템 표현의 품질이 제한적이라는 점이 여전히 큰 병목 현상으로 남아 있습니다. 사전 학습된 대형 언어 모델(LLM)은 풍부한 의미론적 표현을 제공할 수 있지만, 기존 접근 방식은 고정된 속성을 정적 인코딩에만 의존하고 아이템 정체성을 정의하는 데 있어 핵심적인 대상 청중의 역할을 간과합니다. 또한 의미 공간은 실제 사용자 행동을 충분히 반영하지 못해 의미 표현과 행동 패턴 사이에 큰 격차가 발생합니다. 이러한 한계를 극복하기 위해 우리는 GenAIR라는 일반 프레임워크를 제안합니다. GenAIR는 생성적 원형(Archetype)에 기반한 아이템 표현을 통해 시퀀셜 추천을 강화합니다. 구체적으로, 먼저 LLM을 활용해 아이템 메타데이터를 분석하고 해당 아이템의 이상적인 대상 청중을 개념화한 Archetype의 텍스트 설명을 추론합니다. 그런 다음 한 번의 순전파(forward pass)로 해당 임베딩을 추출합니다. 더 나아가, 이러한 생성적 원형을 실제 행동에 정착시키기 위해 **행동 보정 목표(behavioral calibration objective)**를 도입합니다. 이 목표는 실제 상호작용에서 얻은 행동 신호를 명시적으로 포함시켜 임베딩 공간의 구조를 경험적 패턴을 반영하도록 조정합니다. GenAIR는 대부분의 기존 모델과 원활히 통합될 수 있으면서도 높은 효율성을 유지합니다. 세 개의 실제 데이터셋을 이용한 포괄적인 실험 결과, GenAIR가 다양한 시퀀셜 추천 모델의 성능을 크게 향상시키고 최신 최첨단 베이스라인을 일관되게 능가함을 보여줍니다. 구현 코드는 https://github.com/AI-Santiago/GenAIR 에서 확인할 수 있습니다.

Key Contributions

이 논문은 다음 분야의 연구를 다룹니다:

• cs.IR
• cs.CL
• cs.LG

Methodology

자세한 방법론은 전체 논문을 참고하십시오.

Practical Implications

본 연구는 cs.IR 분야의 발전에 기여합니다.

Authors

• Yifan Li
• Jiahong Liu
• Xinni Zhang
• Hao Chen
• Yankai Chen
• Wenhao Yu
• Jianting Chen
• Irwin King

Paper Information

• arXiv ID: 2606.11023v1
• Categories: cs.IR, cs.CL, cs.LG
• Published: 2026년 6월 9일
• PDF: Download PDF