상품 검색 이력 기반 추천 시스템의 콜드 아이템 문제 해결 방안

초록

이커머스 업계에서 딥러닝 기반 추천 시스템은 사용자 경험 향상과 매출 증대에 중요한 역할을 한다. 하지만, 유저와 아이템 간의 상호작용 데이터를 기반으로 한 협업 필터링 방식은 구매 이력이 없는 새로운 아이템을 추천하기 어려운 “콜드 아이템” 문제를 지니고 있다. 기존 연구는 아이템 정보를 활용해 관심 유저를 예측하는 데 집중했으나, 모델이 복잡해지고 결측치가 많은 데이터의 특성을 고려하지 않아 성능이 제한된다는 문제가 있었다. 본 논문은 결측치가 많은 비즈니스 데이터에서도 콜드 아이템 문제를 단순하게 해결할 수 있는 방법을 제안한다. 동일 키워드로 검색된 아이템 간 연관성을 대조학습 기반 문장 임베딩 모델 SimCSE로 학습시켜 콜드 아이템 임베딩 벡터를 생성한 후, 콜드 아이템과 잠재적 구매 유저를 연결하는 알고리즘을 제안한다. 이 과정을 추천 시스템 학습과 분리하여, 모든 협업 필터링 기반 추천 시스템에 적용 가능한 간단하고 효과적인 콜드 아이템 해결 방안을 제시한다.

키워드