크로스 도메인 추천 시스템은 데이터 희소성과 콜드스타트 문제를 해결할 잠재력을 보여왔다. 그러나 기존 접근은 주로 겹치는 사용자 집단이나 동일한 맥락과 같은 도메인 공유 가능 속성에 의존하여 지식 전이를 가능하게 함으로써, 이러한 요소가 없을 경우 일반화 가능성이 제한된다. 이러한 한계를 극복하기 위해, 대부분의 전자상거래 플랫폼에 공통적으로 존재하는 리뷰 텍스트를 활용하는 방안을 제안한다. 우리의 모델 SER은 단일 판별자에 의해 안내되는 세 가지 상이한 텍스트 분석 모듈을 통합하여, 분리된 표현 학습을 달성한다. 또한 우리는 도메인 분리성을 개선할 뿐 아니라 소스 도메인으로부터의 부정적 정보 전이를 최소화하는 새로운 최적화 전략을 제안한다. 더 나아가, 단일 도메인에서 다중 도메인으로 모델의 인코딩 네트워크를 확장함으로써 리뷰 기반 추천 시스템에서의 효율을 향상시켰다. 포괄적인 실험과 절제(ablation) 연구를 통해, 본 접근이 기존의 단일 및 크로스 도메인 추천 방법들보다 더 효율적이고 견고하며 확장 가능함을 입증한다. 본 논문은 CIKM ’22 [1]에서의 선행 연구를 확장한 것으로, 추가적인 통찰, 더 많은 실험 결과 및 포괄적인 이론적 분석을 제공한다.

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