프록시 기반 아이템 표현을 통한 속성 및 컨텍스트 인지 추천

추천 시스템에서 신경망 기반 접근법은 대량의 아이템을 학습 가능한 벡터 임베딩 테이블로 표현함으로써 놀라운 성과를 거두었다. 그러나 드문 아이템은 학습 기회가 부족하여 의미 있는 표현을 학습하기 어려운 문제가 발생한다. 본 연구에서는 속성과 컨텍스트를 고려한 환경에서 드문 아이템의 부정확한 임베딩이 추천 정확도를 저하시킨다는 점을 분석하였다. 이러한 문제를 해결하기 위해, 각 아이템이 학습 가능한 프록시 임베딩들의 가중합으로 표현될 수 있도록 하는 프록시 기반 아이템 표현 방식을 제안한다. 여기서 프록시 가중치는 각 아이템의 속성과 컨텍스트에 따라 결정되며, 흔한 아이템의 경우 협업 신호를 보다 잘 반영하기 위해 편향 항을 포함할 수 있다. 프록시 기반 방법은 아이템 표현을 구성적으로 계산함으로써, 각 표현이 잘 학습된 심플렉스 내에 존재하도록 보장하며, 그 결과 보장된 품질의 표현을 획득한다. 또한, 프록시 임베딩이 모든 아이템 간에 공유되므로, 드문 아이템이 통합된 모델 구조와 엔드 투 엔드 방식으로 흔한 아이템의 학습 신호를 빌릴 수 있다. 제안하는 방법은 신경망 기반 추천 모델의 아이템 인코딩 레이어를 간단히 대체할 수 있는 플러그 앤 플레이 모델로, 파라미터 수가 훨씬 적은 비용으로 일관된 추천 성능 향상을 제공한다. 실제 추천 벤치마크 데이터셋을 대상으로 수행한 실험 결과, 제안 모델은 기존 최고 성능 모델 대비 추천 정확도에서 최대 17% 향상시키면서도 파라미터 수의 10%만 사용함으로써, 기존 모델을 뛰어넘는 성능을 입증하였다.