온라인 리뷰 텍스트는 추천 시스템에서의 데이터 희소성 문제를 해결하기 위한 보조 정보의 유용한 출처로 기능한다. 이러한 리뷰는 종종 여러 항목 속성에 걸친 사용자 선호를 반영하며, 추천 모델에 효과적으로 통합되어 추천의 정확성과 해석 가능성을 모두 향상시킬 수 있다. 리뷰 기반 추천 접근법은 크게 암묵적(implicit) 방법과 명시적(explicit) 방법으로 분류할 수 있다. 암묵적 방법은 딥러닝 기법을 활용하여 리뷰 텍스트로부터 잠재 의미 표현을 추출하지만, 학습 과정의 투명성이 제한되어 해석 가능성이 대체로 부족하다. 반면 명시적 방법은 도메인 지식에서 도출한 수작업 특징에 의존하여 높은 설명력을 제공하지만, 일반적으로 얕은 정보만을 포착하는 경향이 있다. 이 두 접근법의 상호 보완적 강점을 통합하는 것은 추천 성능을 향상시키는 유망한 방향이다. 그러나 이러한 통합을 탐색한 선행 연구는 여전히 제한적이다. 본 연구에서는 리뷰 텍스트로부터 도출된 암묵적 및 명시적 표현을 함께 고려하는 새로운 추천 모델을 제안한다. 이를 위해 각 표현 유형에서 중요한 특징을 강조하기 위한 자기 주의(self-attention) 메커니즘을 통합하고, 리뷰에 내재된 풍부한 문맥 정보를 포착하기 위해 트랜스포머(Transformers)의 양방향 인코더 표현(Bidirectional Encoder Representations from Transformers, BERT)을 활용한다. 제안한 모델의 성능은 실제 세계의 세 가지 데이터셋을 사용한 광범위한 실험을 통해 평가한다. 실험 결과는 본 모델이 여러 기준(baseline) 모델보다 우수한 성능을 보이며, 정확하고 설명 가능한 추천을 생성하는 데 있어 그 효과성을 확인한다.

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