Learning accurate user and item feature representation for review-based recommender systems
Jin Li, Seonu Park, Jihyeon Kim, Xinzhe Li, Jaekyeong Kim · Journal of Intelligence and Information Systems · 2024
온라인 플랫폼의 발전과 함께 사용자 선호도를 파악하여 개인화된 추천 서비스를 제공해주는 추천 시스템이 주목받고 있다. 온라인 리뷰는 사용자 선호도를 분석하기 위한 중요한 정보 소스로서 이를 활용한 다양한 추천 시스템 연구가 제안되었다. 많은 선행 연구를 통해 리뷰 텍스트에 내제된 의미론적 정보가 아이템에 대한 사용자 선호도 특성을 깊이 이해하여 추천 성능을 향상시킬 수 있음이 증명되었다. 이러한 대부분의 연구는 사용자와 아이템 특성을 모두 리뷰 집합의 관점으로 추출하였다. 그러나 사용자 리뷰 집합에는 타겟 아이템과 관련이 없는 리뷰도 함께 존재하기에 타겟 아이템에 대한 사용자의 명확한 선호도 파악이 어려워진다. 또한, 온라인 플랫폼에서는 아이템 특성을 잘 나타낼 수 있는 아이템 설명등의 풍부한 보조 정보도 제공되지만, 이를 효과적으로 모델에 통합시키지 못하였다는 한계점도 존재한다. 이에 본 연구는 사용자 개별 리뷰를 사용하고 아이템 리뷰 집합과 아이템 설명을 통합함으로써 사용자 선호도 및 아이템 특성을 정확하게 파악하는 추천 모델을 제안한다. 또한, 아이템 리뷰 집합과 아이템 설명을 통합함에 있어 Cross-attention Mechanism을 도입하여 보다 효율적인 특성 간 융합이 이뤄지게 한다. 모델 성능 평가를 위해 Amazon.com의 리뷰 데이터 및 메타 데이터를 사용해 다양한 벤치마크 모델들과 비교하였다. 실험 결과, 제안된 NENF(Neural Extraction Network for User-Item Features)가 다른 벤치마크 모델에 비해 우수한 성능을 보였음을 확인했으며, 이는 제안 모델이 사용자 및 아이템의 정교한 특성표현이 가능해지게 하여 추천 성능을 개선하였음을 시사한다.