CARCA: 크로스 어텐션을 통한 컨텍스트 및 속성 인지형 다음 아이템 추천

희소 추천 환경에서 사용자의 맥락 정보와 아이템 속성은 다음으로 추천할 아이템을 결정하는 데 핵심적인 역할을 한다. 그러나 최근의 순차적 및 시간 인지 추천 기법들은 이 두 가지 요소를 전반적으로 무시하거나, 단지 하나만 고려하는 경우가 대부분이며, 이로 인해 예측 성능에 한계가 있다. 본 논문에서는 이러한 한계를 극복하기 위해 맥락적 특징과 아이템 속성에 민감한 추천 모델(CARCA: Context and Attribute-aware Recommender model)을 제안한다. CARCA는 전용의 다중 헤드 자기주의(attention) 블록을 통해 사용자 프로파일의 동적 특성을 맥락적 특징과 아이템 속성 측면에서 포착하고, 프로파일 수준의 특징을 추출하여 아이템 점수를 예측한다. 또한, 현재 최고 수준의 순차적 아이템 추천 방법들 중 다수는 단순히 최근 아이템의 잠재적 특징과 대상 아이템의 임베딩 간의 내적곱(dot-product)을 사용하여 점수를 계산하지만, CARCA는 모든 프로파일 아이템과 대상 아이템 간의 교차주의(cross-attention)를 활용하여 최종 점수를 예측한다. 이러한 교차주의는 사용자 프로파일 내의 과거 아이템과 최근 아이템 간의 상관관계를 효과적으로 활용하며, 다음 추천 아이템을 결정하는 데 있어 그 영향력을 반영할 수 있게 한다. 네 개의 실제 추천 시스템 데이터셋을 대상으로 수행한 실험 결과, 제안된 모델은 아이템 추천 과제에서 기존의 최고 수준 모델들을 크게 능가하며, 정규화된 할인 누적 수익(NDCG)과 하트 비율(Hit-Ratio)에서 최대 53%까지 향상된 성능을 달성하였다. 또한, 사전 훈련된 ResNet50 모델을 통해 추출한 이미지 속성을 블랙박스 방식으로 단순히 활용함에도 불구하고, CARCA는 여러 최첨단 이미지 기반 추천 시스템들을 상회하는 성능을 보였다.