그래프 기반의 명시적·암묵적 선호도 학습을 통한 의도 인식 순차 추천 = Intent-Aware Sequential Recommendation via Graph-based Explicit and Implicit Preference Learning

국문 초록 (Abstract)

현대의 정보 과잉 환경에서 추천시스템은 필수적인 기술로 자리 잡았으나, 기 존 시스템들은 데이터 희소성(Data Sparsity)과 사용자의 동적인 선호도를 포착 하는 데 한계를 보여왔다. 이러한 문제를 해결하기 위해, 최근 트랜스포머 (Transformer) 기반의 순차 추천 모델과 그래프 신경망 기반의 모델이 주목받고 있다. 하지만 이들 모델 역시 사용자의 행동 '패턴'은 학습하지만, '왜' 그러한 행동을 했는지에 대한 근본적인 '의도(Intent)'를 반영하는 데는 한계가 있다.
본 논문은 이러한 한계를 극복하기 위해, 사용자의 구매 이력 시퀀스에 담긴 ' 암묵적 선호도'와 리뷰 텍스트에 담긴 '명시적 의도'를 동시에 학습하고 융합하는 새로운 '그래프-시퀀스 통합 추천시스템'을 제안한다. 제안하는 모델은 두 개의 핵심 모듈로 구성된다. 첫째, '그래프 모듈'은 사용자 리뷰 텍스트로부터 상식 지식 모델인 Comet과 Sentence-BERT를 통해 '사용자 의도'를 추출 후 임베딩하 고, 이를 그래프 신경망의 사용자 노드 초기값으로 활용하여 사용자-아이템 간의 고차원적 관계와 의도 기반 선호도를 학습한다. 둘째, '시퀀스 모듈'은 트랜스포 머 인코더를 기반으로 사용자의 아이템 상호작용 시퀀스를 학습하여 동적이며 암묵적인 행동 패턴을 포착한다. 두 모듈에서 각각 생성된 사용자 임베딩은 '학습 가능한 가중합(Learnable Weighted Sum)' 방식을 통해 지능적으로 융합되며, BPR Loss와 InfoNCE 대조 학습 손실을 결합하여 엔드-투-엔드(End-to-End)로 최적화된다.

대규모 Amazon Review 데이터셋('Beauty', 'Sports and Outdoors')을 활용 한 실험 결과, 제안 모델은 GRU4Rec, SASRec, Bert4Rec 등 강력한 SOTA 기반 모델들 대비 모든 평가지표(Recall@N, NDCG@N)에서 일관되고 현저한 성능 향상을 달성하였다. 특히, 심층 요인 분석(Ablation Study)을 통해 (1) 제안하는 '의도' 기반 모델링이 단순 '긍/부정' 감성 모델링보다 월등히 우수하며, (2) '학 습 가능한 융합 메커니즘'이 단순 결합 방식보다 추천 정확도 향상에 결정적인 기여를 함을 정량적으로 입증하였다. 본 연구는 이질적인 두 정보원(암묵적 행동, 명시적 의도)을 효과적으로 통합하여, 추천시스템의 정확성과 사용자 이해의 깊이를 한 단계 높이는 새로운 방법론을 제시했다는 점에서 그 의의가 있다.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구의 배경과 목적1 2. 연구의 목적3 3. 연구의 기여점 4
• II. 관련 연구 6
• 1. 전통적인 추천시스템 6
• 2. 순차 추천시스템(Sequential Recommendation System) 7
• 3. 트랜스포머 기반의 추천시스템(Transformer Recommendation System) 9
• 4. 사용자 의도(Intent) 도출 선행 연구 11
• 5. Comet 활용 연구 12
• III. 방법론 15
• 1. 모델링 구성(시퀀스 모델) 16
• 2. 모델링 구성(그래프 모델) 17
• 3. 하이브리드 모델 융합 방법 20
• IV. 실험 결과 및 해석 22
• 1. 데이터셋 22
• 2. 실험 환경 및 성능 평가 지표 23
• 3. 기존 연구와 비교 24
• 4. 학습 전략 및 최적화 기법에 따른 성능 평가 26
• 5. 의도 정보와 긍/부정 정보의 성능 비교 27
• 6. 모듈 구성 및 융합 방식에 따른 성능 비교 29
• 7. LLM 대비 Comet의 의도(intent) 도출 비교 30
• V. 결론 및 향후 과제 34
• 1. 연구 요약 34
• 2. 주요 연구 결과 및 의의 34
• 3. 한계점 및 향후 과제 36