콜드 아이템은 추천 도메인에서 중요한 문제인데, 새로 도입된 아이템은 정확한 협업 필터(CF)를 학습하기 위한 사용자–아이템 상호작용이 부족하기 때문이다. 최근 연구들은 MLP 및 오토인코더와 같은 신경망을 채택하여 CF가 학습한 협업 임베딩을 예측하고자 하였으며, 등록 시점에 이용 가능한 아이템의 부가 정보를 활용한다. 생성 모델로서 확산(diffusion) 모델은 이미지 생성과 자연어 처리 등 다양한 분야에서, 우수한 생성 능력을 바탕으로 성과를 거두었다. 본 논문은 콜드 아이템 추천을 위한 기반으로서 확산 모델을 제안하며, 콜드 아이템에 대한 협업 임베딩을 생성한다. 먼저, 맞춤형 예측기를 포함한 확산 모델을 사용하여 아이템의 부가 정보에 조건을 건 형태로 아이템의 협업 임베딩을 직접 생성한다. 그 다음, 간단한 MLP와 dropout을 사용하는 2단계 정제(refiner)를 학습하여 최종 추천 점수를 계산한다. 제안된 방법은 기존 모델로부터 사용자 임베딩과 콜드 아이템의 부가 정보만을 필요로 하므로, 기존 추천 시스템에 손쉽게 통합될 수 있다. 실제 데이터셋에 대한 광범위한 실험 결과, 본 방법은 최신 성능의 기준(baseline) 방법들을 능가하며, 콜드 아이템 추천에서 확산 모델의 잠재력을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.