추천시스템은 유저의 소비를 유도하기 위해 다양한 플랫폼에서 사용되고 있다. 최근 평점을 잘 예측하기 위하여 유저가 아이템에 대하여 작성한 리뷰를 활용하는 연구들이 있었다. 이 중 텍스트에 어텐션 메커니즘을 적용하여 유저의 선호도와 아이템의 특징을 파악하는 것이 효과적이었다. 하지만, 단어 수준의 어텐션 메커니즘은 유저의 선호도와 아이템의 특성을 잘 드러내는 서술적인 리뷰를 분간하지 못한다. 유저가 아이템에 대해 자세한 설명을 하는 서술적인 리뷰는 상대적으로 다른 타입의 피드백 정보보다 중요하다. 따라서, 본 논문은 단어 수준으로 개별적 요인을 고려하여 중요도를 반영하는 방식과 리뷰 수준으로 서술적 중요도를 반영하는 방식을 계층적으로 융합하여 사용자 선호도 벡터와 아이템 특징 벡터를 추출하는 방식을 제안한다. 하지만 데이터 희소성 현상 때문에 모델 학습이 훈련 데이터에 과적합 될 수 있다. 이 문제를 보완하기 위해 확률적 가중치 평균 방법을 적용하여 모델의 일반화하는데 도움을 주었다. 3가지 실생활 데이터에 대해 본 논문에서 제안하는 모델의 성능이 우수함을 검증하였다.

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