전자상거래 산업이 빠르게 확장됨에 따라 사용자와 아이템의 수가 계속 증가하고 있어 사용자들의 구매 패턴을 포착하기가 점점 더 어려워지고 있다. 순차 추천(sequential recommendation) 모델은 사용자의 과거 행동을 바탕으로 사용자가 다음에 구매할 가능성이 높은 아이템을 예측함으로써 이러한 문제를 해결하고자 등장하였다. 그러나 대부분의 선행연구는 풍부한 아이템 수준 정보를 활용하기보다는 주로 아이템 ID를 이용해 아이템 시퀀스를 모델링하는 데에 집중해 왔다. 이러한 한계를 해결하기 위해 본 연구에서는 아이템 제목, 설명, 온라인 리뷰를 포함한 다양한 유형의 텍스트 기반 아이템 정보를 통합하는 순차 추천 모델인 ITS-Rec을 제안한다. 이러한 구성요소들을 아이템 표현에 통합함으로써 모델은 상세한 아이템 특성과 구매 동기에 관련된 신호를 모두 포착한다. ITS-Rec은 자기-주의(self-attention) 기반 아키텍처 위에 구축되어, 장기 및 단기 사용자 선호를 효과적으로 학습할 수 있게 한다. 실험은 실제 Amazon.com 데이터로 수행되었으며, 제안된 모델을 여러 최신 순차 추천 모델과 비교하였다. 그 결과, ITS-Rec은 Hit Ratio(HR)와 Normalized Discounted Cumulative Gain(NDCG) 측면에서 기준(baseline) 모델들을 유의하게 능가하는 것으로 나타났다. 추가 분석에서는 텍스트 구성요소들 중 온라인 리뷰가 성능 향상에 가장 크게 기여함을 확인하였다. 본 연구는 순차 추천에 텍스트 특징을 통합하는 가치와, 더 풍부한 아이템 표현을 통해 추천 성능을 향상시키기 위한 실질적 통찰을 제공한다.

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