사용자-아이템 상호작용 외에도 아이템의 다중모달 특징을 활용하는 것에 더해, 최근 멀티미디어 추천 시스템에서는 대조학습(Contrastive Learning, CL)을 이용하여 데이터 희소성 문제를 크게 완화하기 위한 연구가 추가로 이루어졌다. CL 기반 방법은 각 인스턴스에 대해 최소 두 개의 임베딩(즉, 뷰)을 생성하고, 이러한 뷰들을 통해 다양한 관점에서 각 인스턴스의 정보를 풍부하게 함으로써 데이터 희소성 문제를 완화한다. 따라서 CL 기반 방법들은 하위 과제에서 각 인스턴스의 특성을 효과적으로 나타내는 뷰를 생성하는 데 초점을 두어 왔다. 마찬가지로 CL 기반 멀티미디어 추천 시스템 역시 아이템의 다중모달 특징을 활용하여 사용자/아이템 뷰를 효과적으로 생성하려는 노력을 기울여 왔다. 그러나 우리는 뷰 생성 과정에서 간과된 다음 두 가지 한계를 지적한다: (1) 아이템의 각 모달리티 특징이 사용자-아이템 상호작용에 미치는 영향을 식별하려고 시도하지 않았거나, 무작위 마스킹 또는 상호작용 드롭을 통해 이를 식별한 경우가 있으며, (2) 미래에 상호작용으로 이어질 가능성이 높은 비상호작용을 식별하려고 시도하지 않았다. 이러한 한계를 극복하기 위해, 우리는 모달리티 인식 그래프 정제(modality-aware graph refiNEment)와 contraSTive leARning을 활용한 새로운 멀티미디어 추천 프레임워크 STARLINE을 제안한다. 5개의 실제 데이터셋에 대한 광범위한 실험은 STARLINE의 효과성과 타당성을 검증하며, 특히 가장 우수한 경쟁 방법 대비 최대 13.24%까지 일관되게 더 높은 정확도를 보임을 확인하였다.

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