Generative Recommendation (GR)은 아이템 특징을 이산화하여 사용자의 과거 상호 작용을 토큰 시퀀스로 모델링하고, 다음 토큰 예측을 통해 다음 아이템을 예측하는 새로운 추천 시스템 패러다임입니다. 이 논문은 GR의 핵심 과제인 고품질 의미 ID 구축을 위해 멀티모달 정보를 활용하고, 다양한 모달리티 간의 복잡한 상호 작용을 포착하는 Multi-Aspect Cross-modal quantization for generative Recommendation (MACRec)을 제안합니다. MACRec은 의미 ID 학습 과정에서 교차 모달 양자화를 도입하여 충돌률을 줄이고, 암묵적 및 명시적 정렬을 포함한 다중 측면 교차 모달 정렬을 통합하여 생성 능력을 향상시킵니다. 세 개의 유명한 추천 데이터 세트에 대한 실험을 통해 제안된 방법의 효과를 입증합니다.
시사점, 한계점
•
시사점:
◦
멀티모달 정보를 활용하여 GR 모델의 성능을 향상시키는 새로운 접근 방식을 제시함.
◦
교차 모달 양자화 및 다중 측면 교차 모달 정렬을 통해 의미 ID 품질 및 생성 능력을 개선함.
◦
실험을 통해 제안된 방법의 효과를 입증함.
•
한계점:
◦
논문에서 구체적인 데이터셋, 모델 구조, 하이퍼파라미터 설정 등에 대한 자세한 정보가 부족하여 재현의 어려움이 있을 수 있음.
