SynGR: Unleashing the Potential of Cross-Modal Synergy for Generative Recommendation
작성자
카테고리
Empty
저자
Wei Chen, Xingyu Guo, Shuang Li, Fuwei Zhang, Meng Yuan, Jing Fan, Zhao Zhang, Deqing Wang, Fuzhen Zhuang
💡 개요
본 논문은 아이템 추천을 시퀀스 생성 문제로 바라보는 생성 추천(Generative Recommendation) 분야에서, 기존의 정렬 중심 융합 방식에서 벗어나 여러 모달리티 간의 시너지 정보를 적극적으로 활용하는 새로운 프레임워크인 SynGR을 제안합니다. SynGR은 단일 모달리티만으로는 파악하기 어려운 아이템의 내재적 의미와 사용자 선호도를 파악하여, 표면적인 특징 매칭을 넘어선 추천 성능 향상을 목표로 합니다. 다양한 벤치마크 데이터셋에서의 실험을 통해 SynGR이 기존 방법론보다 우수한 성능을 달성함을 입증했습니다.
🔑 시사점 및 한계
•
크로스 모달 시너지의 중요성: 본 연구는 아이템 추천에서 단순히 여러 모달리티의 정보를 결합하는 것을 넘어, 모달리티 간의 상호작용을 통해 생성되는 시너지 정보가 아이템의 고유한 의미와 사용자 선호도를 포착하는 데 핵심적인 역할을 함을 강조합니다.
•
균형 잡힌 모달리티 활용: 지배적인 모달리티에 대한 과도한 의존도를 줄이고, 각 모달리티의 고유한 정보와 더불어 모달리티 간 상호작용을 통해 추출된 정보를 균형 있게 활용함으로써 추천 모델의 성능을 향상시킬 수 있습니다.
•
기존 방법론의 한계 극복: 기존의 정렬 중심 융합 방식이 놓치기 쉬운, 모달리티 간의 복합적인 관계에서 발생하는 새로운 아이템 의미(emergent item semantics)를 포착할 수 있는 가능성을 제시합니다.
