추천 시스템은 추천의 다양성을 간과한 채 필터 버블(filter bubble)의 잠재적 문제에 직면한다. 이러한 시스템은 지루한 추천을 제공할 수밖에 없기 때문에 사용자 경험을 저하시킬 가능성이 불가피하다. 여러 솔루션이 다양성을 높이기 위해 제안되었음에도 불구하고, 다양성 향상과 함께 정확도 손실을 방지하는 것은 여전히 어렵다. 본 연구는 관련성(relevance)과 예기치성(unexpectedness)이라는 두 가지 우연적 적합성(serendipity) 구성요소를 고려하여 다양성을 개선하는 것을 목표로 하는 세션 기반 추천을 위한 새로운 사용자 지향적 알고리즘을 제시한다. 구체적으로, 우리의 접근은 먼저 세션 및 그래프 신경망을 기반으로 추천 시스템에 우연적 선호 임베딩(serendipitous preference embedding)을 채택한다. 다음으로, 결정적 점 과정(determinantal point process)에서 순위를 재정렬하기 위해 최대 사후확률(maximum a posteriori, MAP) 추론의 탐욕(greedy) 알고리즘을 활용한다. 마지막으로, 사용자에 의해 조절 가능한 파라미터를 통해 개인화된 트레이드오프 균형을 추가로 통합한다. 제안한 접근을 검증하기 위해, 정확도와 다양성의 균형을 이룰 수 있음을 보여주기 위해 두 개의 실제 데이터셋을 사용한 실험을 수행하였다. 그 결과, 우리의 접근은 관련성 있을 뿐 아니라 예기치 않은 추천도 생성하였으며, 정확도 손실 없이 다양성을 성공적으로 향상시켰다. 본 연구는 사용자 중심 관점에서의 세션 기반 추천 시스템에 특히 적합한 추천 다양화(diversification) 방법에 기여한다.

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