[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

GRAM: Generative Recommendation via Semantic-aware Multi-granular Late Fusion

Created by
  • Haebom

저자

Sunkyung Lee, Minjin Choi, Eunseong Choi, Hye-young Kim, Jongwuk Lee

개요

본 논문은 대규모 언어 모델의 지식을 활용하여 추천을 텍스트-텍스트 생성 작업으로 공식화하는 생성 추천의 새로운 패러다임을 제시합니다. 기존 연구의 한계점인 암시적 아이템 관계 통합 및 풍부하지만 긴 아이템 정보 활용 문제를 해결하기 위해, 의미 기반 다중 입자 후기 융합(GRAM)을 통한 생성 추천 모델을 제안합니다. GRAM은 암시적 계층적 및 협업적 아이템 관계를 LLM의 어휘 공간으로 인코딩하는 의미-어휘 변환과 다중 입자 프롬프트에 대한 별도의 인코더를 사용하여 디코딩 단계까지 융합을 지연시키는 다중 입자 후기 융합을 통해 효율적으로 풍부한 의미를 통합합니다. 네 개의 벤치마크 데이터셋 실험 결과, GRAM은 기존 최첨단 생성 추천 모델들을 능가하여 Recall@5에서 11.5-16.0%, NDCG@5에서 5.3-13.6%의 성능 향상을 달성했습니다. 소스 코드는 https://github.com/skleee/GRAM 에서 확인 가능합니다.

시사점, 한계점

•
시사점:
◦
암시적 아이템 관계와 풍부한 아이템 정보를 효과적으로 활용하는 생성 추천 모델을 제시.
◦
의미-어휘 변환과 다중 입자 후기 융합 기법을 통해 기존 모델 대비 성능 향상을 달성.
◦
다양한 벤치마크 데이터셋에서 우수한 성능을 검증.
◦
공개된 소스 코드를 통해 재현성과 확장성 확보.
•
한계점:
◦
제안된 모델의 성능 향상이 특정 데이터셋에 국한될 가능성.
◦
다중 입자 후기 융합의 최적 파라미터 설정에 대한 추가 연구 필요.
◦
실제 서비스 환경에서의 확장성 및 효율성에 대한 추가적인 평가 필요.
👍
Made with Slashpage