C2-CRS: 대상 추천 시스템을 위한 굵기에서 세밀로의 대비 학습

대화형 추천 시스템(Conversational Recommender Systems, CRS)은 자연어 대화를 통해 사용자에게 적합한 아이템을 추천하는 것을 목표로 한다. 효과적인 CRS 개발을 위해서는 매우 제한된 대화 맥락에서 사용자의 선호도를 정확히 추론하는 것이 주요 기술적 과제이다. 이 문제를 해결하기 위해 외부 데이터를 활용하여 맥락 정보를 풍부하게 하는 것이 유망한 접근법으로 여겨진다. 그러나 기존 연구들은 주로 특정 유형의 외부 데이터에 특화된 융합 모델 설계에 집중하여, 다양한 유형의 외부 데이터를 일반적으로 모델링하고 활용하는 데 한계가 있다.다양한 유형의 외부 데이터를 효과적으로 활용하기 위해, 본 연구에서는 CRS의 데이터 의미 융합을 향상시키기 위한 새로운 코어-파인 대조 학습 프레임워크(coarse-to-fine contrastive learning framework)를 제안한다. 제안하는 방법은 다양한 데이터 신호로부터 다중 해상도의 의미 단위를 추출하고 표현한 후, 이러한 다중 유형의 의미 단위를 코어-파인 방식으로 정렬하는 것으로 구성된다. 이 프레임워크를 구현하기 위해 사용자 선호도를 모델링하는 데 있어 코어-그레인(coarse-grained) 및 파인-그레인(fine-grained) 두 가지 단계의 절차를 설계하였으며, 각각은 더 일반적인 코어-그레인 의미 융합과 더 구체적인 파인-그레인 의미 융합에 초점을 맞춘다. 이러한 접근법은 추가적인 외부 데이터 유형을 쉽게 통합할 수 있는 확장성을 갖는다. 공개된 두 개의 CRS 데이터셋을 대상으로 수행한 광범위한 실험 결과, 제안한 방법이 추천 및 대화 수행 모두에서 뛰어난 성능을 보임을 입증하였다.