TME-PSR: 시간 인지, 다중 관심사, 설명 개인화를 통한 순차적 추천 모델

TME-PSR: Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation

본 논문에서는 개인화된 순차적 추천을 위해 시간 인지 개인화, 다중 관심사 개인화, 설명 개인화를 통합한 TME-PSR (Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation) 모델을 제안합니다. 구체적으로, 제안하는 TME-PSR 모델은 사용자의 시간 선호도 차이를 파악하기 위해 이중 뷰 게이티드 시간 인코더를 사용하고, 효율성을 향상시킨 경량 멀티헤드 선형 순환 유닛 아키텍처를 통해 세분화된 하위 관심사를 모델링하며, 추천과 설명 간의 개인화된 의미적 정렬을 달성하기 위해 동적 이중 분기 상호 정보 가중치 메커니즘을 채택합니다. 실제 데이터셋에 대한 광범위한 실험 결과는 제안하는 방법이 추천 정확도와 설명 품질을 향상시키며, 동시에 계산 비용을 절감한다는 것을 보여줍니다.

In this paper, we propose a sequential recommendation model that integrates Time-aware personalization, Multi-interest personalization, and Explanation personalization for Personalized Sequential Recommendation (TME-PSR). That is, we consider the differences across different users in temporal rhythm preference, multiple fine-grained latent interests, and the personalized semantic alignment between recommendations and explanations. Specifically, the proposed TME-PSR model employs a dual-view gated time encoder to capture personalized temporal rhythms, a lightweight multihead Linear Recurrent Unit architecture that enables fine-grained sub-interest modeling with improved efficiency, and a dynamic dual-branch mutual information weighting mechanism to achieve personalized alignment between recommendations and explanations. Extensive experiments on real-world datasets demonstrate that our method consistently improves recommendation accuracy and explanation quality, at a lower computational cost.