위치 인코딩은 컨텍스트와 동일하지 않다: 순차적 추천을 위한 위치 인코딩에 관한 연구

스트리밍 미디어와 전자상거래의 급속한 성장은 추천 시스템, 특히 순차적 추천 시스템(Sequential Recommendation Systems, SRS)의 발전을 촉진해왔다. 이러한 시스템은 사용자의 상호작용 기록을 활용하여 향후 선호도를 예측한다. 최근 연구는 트랜스포머 블록과 특징 추출 기법과 같은 아키텍처 혁신에 주목해왔지만, 시간적 패턴을 포착하는 데 핵심적인 역할을 하는 위치 인코딩( positional encodings)에 대한 연구는 상대적으로 소홀히 여겨져 왔다. 이러한 인코딩은 종종 맥락 정보, 특히 시간적 흔적(temporal footprint)과 혼동되며, 이전 연구들은 이 둘을 서로 대체 가능하다고 간주하는 경향이 있었다. 본 논문은 시간적 흔적과 위치 인코딩 사이의 중요한 차이를 부각시키며, 후자가 아이템 간 고유한 관계적 신호를 제공한다는 점을 입증한다. 이는 단순한 시간적 흔적만으로는 제공할 수 없는 정보이다. 우리는 8개의 아마존 데이터셋과 그 하위 집합을 대상으로 광범위한 실험을 수행하여 다양한 인코딩 방식이 성능 지표 및 학습 안정성에 미치는 영향을 평가하였다. 또한 새로운 위치 인코딩 방식을 제안하고, 성능과 안정성을 동시에 향상시키는 통합 전략을 탐구하였으며, 본 연구의 초안이 발표되었을 당시의 최첨단 성능을 초월하는 결과를 달성하였다. 특히, 적절한 인코딩 방식을 선택하는 것은 단순히 성능 향상뿐 아니라, 강력하고 신뢰할 수 있는 SRS 모델을 구축하는 데 있어 필수적인 요소임을 입증하였다.