사용자 중심의 다각적 사용자 모델링을 통한 대화형 추천

대화형 추천 시스템(CRS)은 대화 과정을 통해 고품질의 추천을 제공하는 것을 목표로 한다. 그러나 기존의 대부분의 CRS 모델은 현재 세션의 대화 이해에 주로 초점을 맞추며, 추천의 중심 주체인 사용자에 대한 다각적이고 풍부한 정보를 간과하고 있다. 본 연구에서는 대화형 추천 시스템에서 현재 대화 세션 외에도 사용자의 이전 대화 세션과 유사 사용자(look-alike users)가 사용자 선호도를 파악하는 데 있어 필수적인 정보원임을 강조한다. 이를 바탕으로 다각적 정보를 체계적으로 모델링하기 위해, 사용자 중심의 대화형 추천(UCCR) 모델을 제안한다. 이는 CRS 작업에서 사용자 선호도 학습의 본질에 근거한 접근이다. 구체적으로, 현재 세션의 선호 신호를 보완하기 위해 지식, 의미, 소비 관점에서 사용자의 다중 시각(multi-view) 선호를 추출하는 이전 세션 학습기(歷史 session learner)를 제안한다. 또한, 자기지도(self-supervised) 목적 함수를 통해 현재 및 이전 세션 내 다양한 시각 간 내재적 상관관계를 학습하는 다중 시각 선호 매핑기(multi-view preference mapper)를 도입한다. 더불어, 사용자의 유사 사용자(look-alike users)를 활용해 사용자를 이해하는 시간적 유사 사용자 선택기(temporal look-alike user selector)를 설계하였다. 학습된 다각적, 다중 시각의 사용자 선호 정보는 추천 및 대화 생성에 활용된다. 실험을 통해 중국어 및 영어 CRS 데이터셋에서 종합적인 평가를 수행한 결과, UCCR 모델은 경쟁 모델 대비 추천 성능과 대화 생성 품질 모두에서 유의미한 개선을 보였다. 이는 UCCR의 우수성을 입증한다.