개인화 추천을 위한 장기 및 단기 선호도를 고려한 적응형 사용자 모델링

사용자 모델링은 온라인 추천 시스템에서 핵심적인 과제이다. 지난 수십 년간 협업 필터링(CF) 기법은 사용자의 장기적 선호도를 모델링하기 위해 광범위하게 연구되어 왔다. 최근에는 순환 신경망(RNN)이 사용자의 단기적 선호도를 모델링하는 데 큰 장점을 보이고 있다. 추천 성능을 향상시키는 자연스러운 방법은 장기적 모델링과 단기적 모델링을 결합하는 것이다. 그러나 기존의 접근 방식들은 이러한 두 가지 사용자 모델링 패러다임을 동적으로 통합하는 중요성을 간과하고 있다. 더불어, 사용자의 행동은 언어 모델링에서의 문장이나 시각 컴퓨팅에서의 이미지보다 훨씬 복잡하므로, 기존의 RNN 구조(예: 장단기 기억망, LSTM)는 사용자 모델링의 질을 향상시키기 위해 개선되어야 한다. 본 논문에서는 시각적 정보를 고려한 시간 인식 컨트롤러(time-aware controller)와 콘텐츠 인식 컨트롤러(content-aware controller)를 제안함으로써 기존의 전통적 RNN 구조를 개선하여, 맥락 정보를 효과적으로 반영하여 상태 전이를 제어할 수 있도록 했다. 또한 사용자의 장기적 및 단기적 선호도를 유연하게 통합하기 위해 주의 기반(attention-based) 프레임워크를 제안하여, 특정 맥락에 따라 사용자 표현을 적응적으로 생성할 수 있도록 했다. 우리는 공개 및 산업용 데이터셋을 대상으로 광범위한 실험을 수행하였으며, 실험 결과 제안하는 방법이 여러 최첨단 기법들을 일관되게 능가함을 입증하였다.