추천 시스템

洞察 - 추천 시스템

부정적 샘플링은 추천 시스템에서 사용자의 진정한 선호도를 파악하는 데 필수적인 절차이다. 이를 통해 추천 성능을 향상시킬 수 있다.

암묵적 피드백 데이터셋에서 순위 예측을 위한 추천 시스템 알고리즘 선택 문제를 해결하기 위해 기존에 사용되던 메타 특징과 전통적인 메타 학습 알고리즘, 자동화된 기계 학습 알고리즘의 성능을 비교 분석하였다.

지식 그래프를 활용하여 사용자와 아이템의 표현을 동시에 향상시켜 사용자의 동적 관심사를 포착하고 더 정확한 추천을 제공한다.

지식 그래프를 제거, 무작위로 왜곡, 또는 감소시켜도 추천 시스템의 성능이 반드시 저하되지 않는다.

대형 언어 모델의 강력한 텍스트 생성 능력을 활용하여 원본 항목 설명을 풍부하게 만들어 추천 성능을 향상시킬 수 있다.

기존 세션 기반 추천 시스템은 정확도 향상에 초점을 맞추지만, 사용자의 다양한 선호도를 간과하여 필터 버블 문제를 야기한다. 본 연구는 기존 추천 시스템의 정확도를 유지하면서도 다양성을 향상시킬 수 있는 간단하면서도 효과적인 접근법을 제안한다.

대형 언어 모델의 강력한 의미 추론 능력과 하이퍼그래프 신경망의 구조적 장점을 결합하여 사용자의 다양한 관심사를 효과적으로 포착하고 해석함으로써 설명 가능한 추천 시스템을 구현한다.

기존 두 타워 추천 모델은 사용자와 아이템 인코딩을 동등하게 업데이트하지만, 제안하는 OneBP 모델은 아이템 인코딩에만 역전파를 적용하고 사용자 인코딩은 이동 평균 방식으로 업데이트하여 성능과 효율성을 향상시킨다.

사용자와 아이템 노드 간 관계 밀도의 차이를 고려하여 사용자와 아이템 그래프를 각각 다른 방식으로 추론하고, 이를 바탕으로 양방향 대조 학습을 수행함으로써 추천 성능을 향상시킨다.

GPT-FedRec는 하이브리드 검색과 LLM 기반 재순위를 결합하여 연합 추천 시스템의 성능을 향상시킵니다.