MISSRec: 추천을 위한 다중 모드 관심 기반 시퀀스 표현의 사전 학습 및 전이

연속 추천(SR)의 목표는 사용자의 과거 상호 작용 시퀀스를 기반으로 사용자가 잠재적으로 관심 있을 아이템을 예측하는 것입니다. 대부분의 기존 연속 추천 시스템은 ID 특성을 기반으로 개발되었으며, 널리 사용됨에도 불구하고 희소한 ID에 대해 성능이 저조하고 콜드 스타트 문제로 어려움을 겪습니다. 게다가, 일관되지 않은 ID 매핑은 모델의 전이 가능성을 방해하여 공동 최적화될 수 있었던 유사 추천 도메인을 고립시킵니다. 이 논문은 강력하고 일반화 가능한 시퀀스 표현을 학습하는 데 있어 다중 모드 정보의 잠재력을 탐구함으로써 이러한 문제를 해결하는 것을 목표로 합니다. 우리는 SR을 위한 다중 모드 사전 학습 및 전이 학습 프레임워크인 MISSRec을 제안합니다. 사용자 측에서는 컨텍스트 인코더가 시퀀스 수준의 다중 모드 시너지를 포착하도록 학습하는 Transformer 기반의 인코더-디코더 모델을 설계하며, 새로운 관심 기반 디코더가 아이템-모드-관심 관계를 이해하여 더 나은 시퀀스 표현을 제공합니다. 후보 아이템 측에서는 사용자 적응형 아이템 표현을 생성하기 위해 동적 융합 모듈을 채택하여 사용자와 아이템 간의 더 정확한 일치를 제공합니다. 우리는 대조 학습 목표로 모델을 사전 학습하고 효율적으로 미세 조정합니다. 광범위한 실험은 MISSRec의 효과성과 유연성을 입증하며, 실제 추천 시나리오에 대한 실용적인 솔루션을 약속합니다.