본 논문은 기존 생성형 추천 시스템의 한계점인 단일 아이템 식별자 사용으로 인한 저빈도 아이템의 부적절한 의미 모델링 및 토큰 시퀀스 데이터의 다양성 부족 문제를 해결하기 위해 MTGRec을 제안합니다. MTGRec은 다중 식별자 아이템 토크나이저와 커리큘럼 추천 사전 학습이라는 두 가지 핵심 혁신을 통해 이 문제를 해결합니다. 다중 식별자 아이템 토크나이저는 RQ-VAE를 기반으로 인접한 학습 epoch의 모델 체크포인트를 의미적으로 관련된 토크나이저로 활용하여 각 아이템에 여러 식별자를 할당하고, 이를 통해 단일 사용자 상호작용 시퀀스를 여러 토큰 시퀀스로 변환합니다. 커리큘럼 추천 사전 학습은 데이터 영향 추정에 기반한 커리큘럼 학습 방식을 도입하여 각 데이터 그룹의 샘플링 확률을 동적으로 조정합니다. 사전 학습 후에는 단일 토크나이저를 사용하여 미세 조정을 수행하여 추천을 위한 정확한 아이템 식별을 보장합니다. 세 개의 공개 벤치마크 데이터셋에 대한 광범위한 실험 결과, MTGRec은 기존의 추천 시스템 및 생성형 추천 시스템보다 효율성과 확장성 측면에서 뛰어난 성능을 보이는 것으로 나타났습니다.
시사점, 한계점
•
시사점:
◦
저빈도 아이템의 의미 모델링 개선 및 토큰 시퀀스 데이터의 다양성 증대를 통한 생성형 추천 시스템 성능 향상 가능성 제시
◦
다중 식별자 아이템 토크나이저와 커리큘럼 추천 사전 학습이라는 새로운 접근 방식 제시
◦
다양한 데이터셋에서 기존 방법 대비 우수한 성능 검증
•
한계점:
◦
RQ-VAE를 토크나이저 백본으로 사용하는데, 다른 토크나이저를 사용했을 때 성능 변화에 대한 분석 부족
