다음 아이템 학습을 넘어서: 개인화된 관심 지속성에 의한 순차적 추천

순차적 추천 시스템은 사용자의 관심 변화를 포착함으로써 효과적인 추천을 제공해 왔다. 기존의 순차적 모델은 두 가지 유형으로 나뉜다: 사용자 중심형과 아이템 중심형 모델이다. 사용자 중심형 모델은 각 사용자의 순차적 소비 이력 기반으로 개인화된 관심 변화를 포착하지만, 사용자의 아이템에 대한 관심이 학습 기간 이후에도 지속될지 여부—즉, 관심 지속성(interest sustainability)—를 명시적으로 고려하지 않는다. 반면 아이템 중심형 모델은 학습 기간 이후 사용자의 일반적인 관심이 지속되는지를 고려하지만, 개인화된 접근은 아니다. 본 연구에서는 두 유형의 모델의 장점을 결합한 추천 시스템을 제안한다. 제안하는 모델은 각 사용자가 특정 아이템에 대해 학습 기간 이후에도 관심을 지속할지 여부를 개인화된 방식으로 포착한다. 먼저, 사용자의 소비 이력에 기반하여 학습 기간의 최근 시점에서 각 사용자가 어떤 아이템을 소비할지를 예측하는 작업을 정의한다. 그 후, 사용자의 희소한 소비 이력을 보완하기 위한 간단하면서도 효과적인 기법을 제안한다. 광범위한 실험 결과, 제안 모델은 11개의 실제 데이터셋에서 10개의 기준 모델보다 우수한 성능을 보였다. 코드는 다음 링크에서 확인할 수 있다: https://github.com/dmhyun/PERIS.