Think Before Recommend: Unleashing the Latent Reasoning Power for Sequential Recommendation
Created by
Haebom
저자
Jiakai Tang, Sunhao Dai, Teng Shi, Jun Xu, Xu Chen, Wen Chen, Wu Jian, Yuning Jiang
개요
본 논문은 기존 순차 추천 시스템(SeqRec)이 직접적인 순방향 계산 방식으로 인해 사용자의 변화하는 선호도와 롱테일 아이템을 제대로 모델링하지 못하는 한계를 지적합니다. 이를 해결하기 위해, 추론 시간 계산 프레임워크인 ReaRec을 제안합니다. ReaRec은 시퀀스의 마지막 은닉 상태를 자동 회귀적으로 순차 추천 시스템에 입력하고, 특수한 추론 위치 임베딩을 사용하여 원래 아이템 인코딩 공간과 다단계 추론 공간을 분리함으로써 사용자 표현을 향상시킵니다. 또한, 효율적인 추론 학습을 위해 Ensemble Reasoning Learning (ERL)과 Progressive Reasoning Learning (PRL)이라는 두 가지 경량 추론 기반 학습 방법을 제시합니다. 다양한 데이터셋과 SeqRec 아키텍처에 대한 실험 결과, ReaRec이 기존 모델의 성능을 30%-50% 가량 향상시키는 것을 보여줍니다.
시사점, 한계점
•
시사점:
◦
순차 추천 시스템의 성능 향상을 위한 새로운 추론 시간 계산 프레임워크 ReaRec 제시
◦
다단계 추론을 통해 사용자 선호도의 복잡한 변화와 롱테일 아이템에 대한 이해도 향상
◦
ERL과 PRL을 통해 ReaRec의 추론 잠재력을 효과적으로 활용
◦
다양한 SeqRec 아키텍처와 데이터셋에서의 우수한 성능 검증 (30%-50% 성능 향상)
