본 논문은 사용자의 온라인 소비 행동 데이터 생성을 위한 새로운 프레임워크인 EPR-GAIL을 제안합니다. 기존의 모델 기반 방법과 데이터 기반 방법의 한계를 극복하기 위해, Generative Adversarial Imitation Learning (GAIL) 방법에 Exploration and Preferential Return (EPR) 모델을 결합합니다. EPR-GAIL은 사용자의 소비 행동을 구매, 탐색, 선호도 결정으로 구성된 복잡한 EPR 의사결정 과정으로 모델링하고, 계층적 정책 함수와 EPR 모델의 확률 분포를 활용하여 생성 데이터의 신뢰도와 정확성을 높입니다. 실제 온라인 플랫폼 데이터를 사용한 실험 결과, EPR-GAIL은 기존 최고 성능 모델보다 데이터 충실도를 19% 이상 향상시켰으며, 판매 예측 및 위치 추천 성능을 각각 최대 35.29%, 11.19% 향상시켰습니다.
