본 논문은 기존 생성형 추천 시스템의 한계점인 의미론적 평면성과 표현 얽힘 문제를 해결하기 위해 계층적이고 분리된 항목 표현을 학습하는 새로운 프레임워크인 HiD-VAE를 제안한다. HiD-VAE는 계층적 감독 양자화 과정을 통해 다중 레벨 항목 태그와 이산 코드를 정렬하여 더 균일하고 분리된 ID를 생성하고, 독창성 손실을 도입하여 잠재 공간 중복을 직접적으로 제재함으로써 표현 얽힘 문제를 해결한다. 이를 통해 추천의 해석성을 높이고 다양성을 향상시키며, 향상된 성능을 보이는 생성형 추천 모델의 기반을 마련한다. 세 개의 공개 벤치마크에 대한 실험 결과, HiD-VAE가 최첨단 방법보다 우수한 성능을 보임을 확인했다.
