사용자의 선호도 변화를 반영한 추천 시스템의 지속 학습 = Reflecting Changes in User Preference for Continual Learning in Recommender Systems

국문 초록 (Abstract)

추천 시스템의 지속 학습 연구는 컴퓨터 비전이나 자연어 처리 분야의 연구와 같이 치명적 망각 현상 완화를 목표로 하는 안정성 향상에 초점을 맞춘다. 하지만 안정성에만 초점을 맞춘 지속 학습은 추천 시스템상의 사용자 선호도가 일정하게 유지된다는 가정하에 효과적이고, 시간의 흐름에 따라 사용자 선호도가 자연스럽게 변화하는 추천 시스템의 실제 환경을 고려한 방법이 아니다. 따라서, 추천 시스템의 지속 학습에서는 사용자의 선호도 변화를 파악해야 하고, 사용자마다 기존 선호도와 신규 선호도의 중요도를 다르게 측정해야 한다. 본 논문에서는 사용자의 선호도 변화를 고려하여 재사용 샘플의 크기와 정규화 강도를 조절하는 Recup (Reflecting Changes in User Preference) 프레임워크를 제안한다. Recup은 각 사용자의 선호도 변화를 반영한 지속 학습을 가능하게 하여 기존 추천 시스템의 지속 학습 방법들에 비해 우수한 결과를 보인다.

다국어 초록 (Multilingual Abstract)

Continual learning in recommender systems focuses on improving stability in order to mitigate catastrophic forgetting, similar to research in computer vision and natural language processing. However, this approach is effective under the assumption that user preferences in recommender systems remain constant, and does not take into account the dynamic nature of the real-world environment, where user preferences instinctively change over time. As a result, continual learning-based recommender systems need to capture changes in user preferences and measure their importance differently for each user. In this paper, we propose a framework called Recup (Reflecting Changes in User Preference) that adjusts the replay sample size and regularization intensity to accommodate these changes. By reflecting the changes in each user’s preference, Recup enables continual learning that outperforms existing methods in recommender systems.