Hi-SAM: A Hierarchical Structure-Aware Multi-modal Framework for Large-Scale Recommendation

Created by

Haebom

저자

Pingjun Pan, Tingting Zhou, Peiyao Lu, Tingting Fei, Hongxiang Chen, Chuanjiang Luo

💡 개요

본 논문은 텍스트, 이미지 등 풍부한 속성을 가진 아이템 추천에서 기존 Semantic ID 기반 방식의 토큰화 문제와 계층 구조를 무시하는 아키텍처 문제를 해결하기 위해 Hi-SAM 프레임워크를 제안합니다. Hi-SAM은 공유 의미와 개별 모달리티 정보를 분리하는 DST와 사용자 상호작용, 아이템, 토큰의 계층 구조를 복원하는 HMAT를 통해 추천 성능을 향상시킵니다. 대규모 실제 데이터셋 및 실서비스 적용 결과, 기존 최첨단 방법 대비 우수한 성능과 6.55%의 핵심 온라인 지표 향상을 달성했습니다.

🔑 시사점 및 한계

•

멀티모달 정보의 효과적인 분리 및 압축: 공유 의미와 모달리티별 특성을 분리하여 토큰화의 효율성을 높이고 정보 손실을 최소화합니다.

•

계층적 구조를 고려한 추천 모델링: 사용자 행동, 아이템, 토큰 간의 내재된 계층 구조를 복원하여 보다 정확하고 맥락적인 추천을 가능하게 합니다.

•

콜드 스타트 상황에서의 뛰어난 성능: 아이템의 풍부한 멀티모달 정보를 효과적으로 활용하여 정보가 부족한 신규 아이템에 대한 추천 성능을 크게 향상시킵니다.

•

Anchor Token의 효율성 검증 및 일반화: Anchor Token을 통해 긴 시퀀스 정보를 압축하는 방법론의 실효성을 입증하였으나, Anchor Token의 최적 개수나 설계 방식에 대한 추가적인 연구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage