추천 시스템에서의 신경망 기반 접근은 대규모 항목 집합을 학습 가능한 벡터 임베딩 테이블로 표현함으로써 놀라운 성과를 보였다. 그러나 드문 항목은 충분한 학습 기회를 갖지 못해 의미 있는 표현을 학습하기 어려울 수 있다. 본 연구에서는 속성 및 맥락을 고려하는 설정에서 드문 항목의 충분히 학습되지 않은 임베딩이 추천 정확도를 저하시킨다는 점을 확인한다. 이러한 문제를 해결하기 위해, 각 항목을 학습 가능한 프록시 임베딩들의 가중 합으로 표현할 수 있게 하는 프록시 기반 항목 표현을 제안한다. 여기서 프록시의 가중치는 각 항목의 속성과 맥락에 의해 결정되며, 빈번한 항목의 경우 협업 신호를 보다 잘 반영하기 위해 편향 항(bias term)을 포함할 수 있다. 프록시 기반 방법은 항목 표현을 조합적으로(compositionally) 계산하여 각 표현이 잘 학습된 심플렉스(simplex) 내부에 위치하도록 보장하며, 따라서 품질이 담보된다. 또한 모든 항목에 걸쳐 프록시 임베딩을 공유함으로써, 드문 항목은 통일된 모델 구조 내에서 빈번한 항목의 학습 신호를 엔드투엔드 방식으로 차용할 수 있다. 제안하는 방법은 플러그앤플레이 방식의 모델로서, 어떤 신경망 기반 추천 모델이든 항목 인코딩 레이어를 대체할 수 있으며, 훨씬 더 적은 파라미터 사용으로도 일관되게 추천 성능을 향상시킨다. 실제 추천 벤치마크 데이터셋에서 수행한 실험 결과, 본 모델은 10%의 파라미터만 사용하면서도 추천 정확도 면에서 기존 최첨단 모델을 최대 17%까지 능가함을 보여주었다.

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