RaSeRec: 검색 강화 시퀀셜 추천

현재의 지도 학습 및 자기지도 학습을 활용한 시퀀셜 추천(SeRec) 모델들은 강력한 신경망 구조를 통해 성능 향상을 이뤘음에도 불구하고, 여전히 두 가지 제약 조건에 직면해 있다고 주장합니다: (1) 선호도 이동(Preference Drift), 과거 데이터로 훈련된 모델들이 변화하는 사용자 선호도를 수용하기 어려운 문제; (2) 암묵적 기억(Implicit Memory), 주요 패턴이 매개변수 학습을 지배하여 장기적으로는 꼬리 부분을 회상하기 어려워지는 문제입니다. 본 연구에서는 이러한 제약 조건들을 해결하기 위해 SeRec에서 검색 기반 증강(Retrieval Augmentation)을 탐구합니다. 특히, 선호도 이동을 수용하고 관련 기억을 명시적으로 증강하기 위해 동적 메모리 뱅크를 유지하는 검색 기반 시퀀셜 추천 프레임워크인 RaSeRec를 제안합니다. 이 프레임워크는 두 단계로 구성됩니다: (i) 협업 기반 사전 학습, 추천과 검색을 학습하는 단계; (ii) 검색 기반 미세 조정, 검색된 기억을 활용하는 방법을 학습하는 단계입니다. 세 개의 데이터셋에 대한 광범위한 실험 결과가 RaSeRec의 우수성과 효과성을 충분히 입증하였습니다. 해당 연구의 구현 코드는 https://github.com/HITsz-TMG/RaSeRec에서 확인할 수 있습니다.