콜드 사용자를 위한 디퓨전 모델 기반 사용자 임베딩 생성
A Diffusion Model based User Embedding Generation for Cold Users
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
콜드 스타트 사용자 문제는 협업 필터링 기반 추천 시스템에서 사용자-아이템 사이의 상호작용 정보 부족으로 인해 추천 성능이 저하되는 현상이다. 본 연구는 디퓨전 모델을 활용한 콜드 스타트 사용자 문제 개선의 초기 연구로써, 디퓨전 모델의 노이즈 제거 능력을 활용하여, 콜드 사용자의임베딩에 혼입된 노이즈를 제거함으로써 추천 성능을 향상시키는 방법을 제안한다. 구체적으로는 사전 학습된 협업 필터를 기반으로, 사용자가상호작용한 아이템들의 임베딩 평균을 디퓨전 모델의 조건으로 설정하여 디퓨전 모델이 협업 필터가 학습한 최종 사용자 임베딩을 생성하도록하고, 이를 기존 아이템 임베딩과 내적하여 사용자의 아이템에 대한 선호도 점수를 계산한다. 두 개의 실제 데이터 세트를 활용한 실험 결과, 제안방법이 기존 방법에 비해 대비, 상호작용 데이터가 40개 이하인 콜드 사용자를 위한 아이템 추천에서 Precision@20, Recall@20, NDCG@20 지표에서기존 방법보다 뛰어남을 보였다.
Abstract
The cold-start user problem refers to the degradation in recommendation performance caused by insufficient user-item interactiondata in collaborative filtering-based recommender systems. As an initial study that addressing this issue using the diffusion models, wepropose a novel approach that leverages the diffusion model’s denoising capability to enhance the quality of embeddings for cold-startusers. Specifically, we utilize a pre-trained collaborative filter to compute the average embedding of items that a user has interactedwith and use it as a condition for the diffusion model. The model then generates a refined user embedding aligned with the collaborativefilter’s learned space, which is subsequently used to compute preference scores via inner products with item embeddings. Experimentalresults on two real-world datasets show that our method outperforms comparison methods in item recommendation for cold users withfewer than 40 interactions, achieving higher Precision@20, Recall@20, and NDCG@20 metrics.