본 논문은 생성형 추천 시스템에서 기존의 단일 식별자 기반 방법의 한계를 극복하기 위해 다중 식별자 토큰화(Multi-identifier item Tokenization)를 제안하는 MTGRec 모델을 제시합니다. MTGRec은 RQ-VAE를 토큰화 백본으로 사용하여 각 아이템에 여러 식별자를 할당하고, 이를 통해 다양한 토큰 시퀀스 데이터를 생성합니다. 또한 데이터 영향 추정에 기반한 커리큘럼 학습 방식을 도입하여 추천 모델의 사전 학습 효율을 높입니다. 실험 결과, MTGRec은 기존의 추천 시스템들보다 효과성과 확장성 면에서 우수한 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
저빈도 아이템에 대한 의미 모델링 개선 및 토큰 시퀀스 데이터 다양성 증진
◦
다중 식별자 토큰화를 통한 생성형 추천 모델의 성능 향상
◦
커리큘럼 학습을 통한 사전 학습 효율 증대
◦
다양한 벤치마크 데이터셋에서의 우수한 성능 검증
•
한계점:
◦
RQ-VAE에 대한 의존성: RQ-VAE의 성능에 따라 MTGRec의 성능이 영향을 받을 수 있음.
◦
커리큘럼 학습의 최적 파라미터 설정: 데이터 영향 추정 및 샘플링 확률 조정에 대한 최적 파라미터 설정이 필요.
◦
확장성 평가의 한계: 실험 결과는 제시된 데이터셋에 국한되어 다른 데이터셋으로의 일반화 가능성은 추가 검증 필요.
