텍스트 부가 정보를 활용한 선형 기반 순차적 추천 모델 = Linear Sequential Recommendation Models using Textual Side Information

다국어 초록 (Multilingual Abstract)

Recently, research on leveraging auxiliary information in sequential recommendation systems is being actively conducted. Most approaches have focused on combining language models with deep neural networks. However, they often lead to high computational costs and latency issues. While linear recommendation models can serve as an efficient alternative, research on how to effectively incorporate auxiliary information is lacking. This study proposed a framework that could effectively utilize auxiliary information within a linear model. Since textual data cannot be directly used in linear model training, we transformed item texts into dense vectors using a pre-trained text encoder. Although these vectors contained rich information, they failed to capture relationships between items. To address this, we applied graph convolution to obtain enhanced item representations. These representations were then used alongside the user-item interaction matrix for linear model training. Extensive experiments showed that the proposed method improved the overall performance, particularly in recommending less popular items.

국문 초록 (Abstract)

최근 순차적 추천 시스템에서는 부가 정보를 활용한 연구가 활발히 시도되고 있다. 대부분의 접근은 언어 모델과 심층 신경망을 결합에 집중하지만, 이는 높은 연산 비용과 지연 시간 문제를 초래한다. 비신경망 기반의 선형 추천 모델은 효율적인 대안이 될 수 있으나, 부가 정보를 효과적으로 활용하는 방법에 대한 연구는 부족하다. 본 연구는 선형 모델에서 부가 정보를 효과적으로 활용할 수 있는 프레임워크를 제안한다. 텍스트 정보는 선형 모델의 학습에 직접 사용되기 어려우므로, 사전 학습된 텍스트 인코더를 통해 항목의 텍스트를 밀집 벡터로 변환한다. 이들은 풍부한 정보를 담고 있지만 항목 간 연관성은 이해하지 못한다. 이를 해결하기 위해 그래프 합성곱을 적용해 강화된 항목 표현을 얻는다. 얻어진 항목 표현은 사용자-항목 상호작용 행렬과 함께 선형 모델 학습에 활용된다. 광범위한 실험을 통해 제안 방법이 전체 성능을 향상하고, 특히 비인기 항목의 성능 개선에 효과적임을 확인하였다.