최근 그래프 러닝 기반 추천시스템에서 무작위 드롭아웃을 통한 그래프 증강 방식이 제안되었다. 그러나 이는 일부 사용자-아이템 간 상호작용 신호를 손실시켜 추천 성능을 감소시킬 수 있다. 이러한 한계를 극복하기 위해 확산 모델을 활용하여 새로운 상호작용 데이터를 생성함으로써 사용자의 선호도를 효과적으로 반영하고 유의미한 신호를 보존하는 자기 지도 학습 기반 추천 모델을 제안한다. 또한 데이터 부족 현상을 해결하기 위해 다중 행동을 도입함으로써 보조 행동의 유의미한 정보를 반영한다. 성능 검증을 위해 두 개의 이커머스 플랫폼 데이터를 활용해 제안 모델이 기존 모델 대비 우수한 성능이 보임을 확인하였다. 이는 확산 모델 기반 상호작용 증강이 표현 학습 품질을 향상시키고 데이터 희소성 문제를 효과적으로 해결함을 시사한다.
Noh et al. (Sat,) studied this question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: