Probabilistic Multi-Interest Embeddings for Personalized Recommendation = 다중 취향 분포 임베딩을 활용한 개인화된 추천

다국어 초록 (Multilingual Abstract)

Recommender systems play a critical role in enhancing user experience on online platforms. Traditional recommendation models typically represent each user with a single embedding, but this potentially limits the capacity to reflect their diverse preferences. Multi-interest recommendation (MIR) addresses this by representing users with multiple interest embeddings, each corresponding to a distinct interest. However, since each interest is still treated as a fixed point in the latent space, they capture only the central tendency of each interest, failing to reflect its detailed structure. To fully capture the dispersion within each interest, we propose the probabilistic multi-interest recommender, PRISM, representing each user as a mixture of multiple interest distributions. Each interest is modeled not just with a point embedding but also with its covariance, capturing both central tendency and spread of the preference. The final user representation is then composed by aggregating these multiple interests weighted by their relative importance. This distributional view allows a flexible and nuanced representation of user preferences, effectively modeling both their diversity and fine-grained structure. To further improve user-item matching, we introduce a distribution-aware scoring strategy that jointly considers the overall proximity and the interest spread. With extensive experiments, we verify that our method consistently outperforms existing MIR models at a negligible cost.

국문 초록 (Abstract)

추천시스템은 온라인 플랫폼 내 사용자 경험에 있어 중요한 역할을 한다. 기존 추천 모델은 일반적으로 사용자를 단일 임베딩으로 표현하나, 이는 사용자의 다양한 취향을 반영하는데 한계가 존재한다. 다중취향 추천(Multi-Interest Recommendation, MIR)은 각기 다른 취향을 나타내는 여러 개의 임베딩으로 사용자를 표현함으로써 이 문제를 해결하고자 한다. 그러나 MIR에서도 각 취향은 잠재 공간 상의 하나의 고정된 점으로 표현되기에, 해당 취향의 중심 경향만을 포착할 뿐 그 세부적인 구조는 반영하지 못한다. 이에 각 사용자를 여러 개의 취향 분포의 혼합으로 표현하는 확률적 다중취향 추천 모델인 PRISM을 제안한다. PRISM은 각 취향을 단순한 점이 아니라 중심과 분산을 모두 갖는 분포로 모델링함으로써 관심사의 중심 경향뿐 아니라 그 퍼짐까지 함께 포착한다. 최종 사용자 표현은 각 취향의 상대적 중요도에 따라 가중합하여 구성한다. 이러한 분포 기반 표현은 사용자의 취향을 더 유연하고 정밀하게 표현할 수 있어, 취향의 다양성과 세부적인 구조를 효과적으로 반영할 수 있다. 또한 사용자와 아이템 간의 매칭 성능을 더욱 향상시키기 위해, 전체적인 근접성과 관심사 분포의 퍼짐 정도를 함께 고려하는 분포 인식 점수 계산법을 도입한다. 마지막으로, 실험을 통해 제안한 방법이 기존 모델들보다 우수한 성능을 보이면서도 계산 비용은 거의 증가하지 않음을 보인다.

목차 (Table of Contents)

• 1 Introduction 1
• 2 Related Works 6
• 2.1 Multi-Interest Recommendation (MIR) 6
• 2.2 Probabilistic Embedding in Recommender Systems 7
• 3 Problem Formulation 9
• 4 Proposed Method: PRISM 10
• 4.1 Embedding Module 11
• 4.2 Multi-Interest Extraction 12
• 4.3 Multi-Interest Distribution Modeling 13
• 4.3.1 Interest Covariance Modeling 13
• 4.3.2 Interest Importance Weight Modeling 16
• 4.4 Prediction 17
• 4.5 Training 20
• 4.6 Time Complexity Analysis 21
• 5 Experiments 23
• 5.1 Experimental Settings 23
• 5.2 Overall Performance (RQ1) 26
• 5.3 Generalizability Analysis (RQ2) 28
• 5.4 Ablation Study (RQ3) 29
• 5.5 Effect of Hyperparameters (RQ4) 32
• 5.6 Computational Efficiency (RQ5) 35
• 6 Conclusion 36
• Abstract (In Korean) 45