DTRec: 순차 추천을 위한 동적 추론 경로 학습

초록

LLM의 사고 과정(Chain-of-Thought)에서 영감을 받은 DTRec은 순차적 추천을 위한 혁신적인 동적 추론 프레임워크입니다. 기존 정적 추론 방법의 한계를 극복하기 위해, 계층적 과정 감독(HPS)을 통해 추론 방향을 거친 개념에서 세부 속성으로 점진적으로 조정하고, 적응형 추론 정지(ARH) 메커니즘으로 사용자 행동 패턴의 복잡성에 따라 추론 깊이를 동적으로 결정합니다. 세 가지 실제 데이터셋에서 최대 24.5%의 성능 향상과 41.6%의 계산 비용 절감을 입증하며, 더 효율적이고 효과적인 추천을 가능하게 합니다.

상세 분석

DTRec의 기술적 혁신은 정적 추론의 두 가지 근본적 문제를 해결하는 데 있습니다. 첫째, **계층적 과정 감독(HPS)**은 인간의 인지 과정인 ‘전체에서 세부로(forest-before-trees)‘를 모방합니다. 기존 방법(예: ReaRec)이 모든 추론 단계에 최종 목표 아이템이라는 ‘평평한(flat)’ 감독 신호를 사용함으로써 추론 경로가 초기부터 목표에 갇히는 문제를 야기했다면, HPS는 K-means 클러스터링을 통해 아이템 임베딩 공간에서 의미적 프로토타입(예: ‘가전제품’ -> ‘스마트폰’ -> ‘Apple 브랜드’)을 추출합니다. 핵심은 추론 단계(t)가 진행됨에 따라 클러스터 수(k_t)를 점진적으로 증가시켜(식 (4)), 감독 신호의 세분화 수준을 조절한다는 점입니다. 이는 각 추론 단계가 해당 단계의 추상화 수준에 맞는 ‘부드러운(soft)’ 목표를 학습하도록 유도하여, 보다 구조화되고 자연스러운 추론 궤적을 형성합니다.

둘째, 적응형 추론 정지(ARH) 메커니즘은 ‘한 가지 크기가 모두에게 맞는다(one-size-fits-all)‘는 고정 깊이 추론의 비효율성을 해결합니다. ARH는 단일 지표가 아닌 세 가지 상호 보완적인 지표—예측 엔트로피(불확실성), 단계 간 일관성(출력 안정성), 표현 변동(내부 상태 안정성)—를 융합하여 추론의 수렴 상태를 종합적으로 판단합니다. 이 다중 지표 접근법은 Representation 기반 단순 조기 종료보다 더 신뢰성 있는 정지 결정을 가능하게 합니다. 실험적으로, 상호작용 길이가 긴 복잡한 사용자 시퀀스에는 더 많은 추론 단계를 할당하고, 단순한 패턴에는 더 적은 단계를 할당하여 계산 자원을 최적화함을 확인했습니다(그림 3). 이는 추천 시스템이 실제 서비스에서 맞닥뜨리는 다양한 복잡도의 사용자 시퀀스에 탄력적으로 대응할 수 있는 실용적인 장점을 제공합니다.

종합하면, DTRec은 추천을 단순한 패턴 매칭이 아닌, 방향과 깊이가 조절 가능한 ‘의사 결정 과정’으로 재해석했습니다. HPS는 해석 가능한 추론 경로를 제공하는 부가적 가치가 있으며, ARH는 추론 비용을 고려한 모델 디자인의 중요성을 보여줍니다. 이는 LLM에서 유래한 CoT 방법론을 추천 시스템에 성공적으로 적용하고, 해당 도메인의 고유한 과제(예: 아이템 공간의 의미적 계층, 행동 패턴의 편차)에 맞춰 진화시킨 사례입니다.