본 논문은 검색 추천 시스템에서 검색 관련성 매칭과 클릭률(CTR) 예측이라는 두 가지 주요 과제를 다룹니다. 기존 연구는 이 두 과제를 별도의 모델로 처리하여 결과를 결합하는 분할 정복 방식을 사용했지만, 이는 모델 간 불일치를 야기하고 사용자의 개인화된 차이를 고려하지 못하는 한계가 있었습니다. 본 논문에서는 CTR 예측과 검색 관련성 매칭을 통합한 PRECTR(Personalized Search RElevance Matching and CTR Prediction Fusion Model) 모델을 제안합니다. 조건부 확률 융합 메커니즘을 기반으로 두 모듈의 상호작용과 일관성을 향상시키고, 두 단계 학습과 의미적 일관성 규제를 통해 모델의 수렴 속도를 높이고 관련 없는 아이템의 추천을 억제합니다. 또한, 사용자의 과거 검색 기록을 분석하여 사용자별 관련성 선호도를 파악하고, 후보 아이템에 대한 인센티브를 맞춤화합니다. 실험 결과, 제안된 PRECTR 모델의 효과와 우수성을 보여줍니다.
