본 논문은 메모리 제약 하에서 효율적인 추천을 위한 최신 추천 시스템 연구에 초점을 맞추고 있습니다. 기존의 경량 임베딩 기반 방법들이 사용자와 아이템의 조잡한 의미만을 고려하여 세밀한 의미적 차이를 간과함으로써 최적의 추천 결과를 얻지 못하는 한계를 지적합니다. 이를 해결하기 위해, 사용자와 아이템을 노드로, 조잡한 가상 노드와 세밀한 가상 노드를 연결하는 그래프 신경망(GNN) 기반 추천 시스템을 제안합니다. 이 시스템은 조잡한 의미와 세밀한 의미를 모두 학습하여, 세밀한 의미를 효율적으로 표현하고 조잡한 의미 표현을 강화합니다. 특히, SparsePCA 기반 초기화 방법과 소프트 임계값 활성화 함수를 사용하여 세밀한 메타 임베딩의 스파스성을 유지하고, 조잡한 메타 임베딩과 여러 세밀한 메타 임베딩을 매칭하는 가중치 연결 업데이트 전략을 제시합니다. 실험 결과, 제안된 방법이 기존 방법들보다 우수한 성능을 보임을 확인했습니다.
