생성형 추천 시스템을 위한 행동 강도 및 전환 모델링

Modeling Behavioral Intensity and Transitions for Generative Recommendation

다중 행동 추천은 다양한 상호 작용 유형을 모델링하여 사용자의 전환을 예측하는 것을 목표로 하며, 각 유형은 고유한 의도 신호를 전달합니다. 최근, 생성적 시퀀스 모델링 방법은 유연한 시퀀스 생성을 통해 다중 행동 추천의 중요한 패러다임으로 부상했습니다. 그러나 기존의 생성적 방법은 일반적으로 행동을 보조 토큰 특징으로 취급하고 통일된 어텐션 메커니즘에 입력합니다. 이러한 모델은 역사적 행동 간의 의존성을 균일하게 활성화한다고 가정하므로, 행동 강도의 차이를 구별하거나 전환 패턴을 포착하는 데 실패합니다. 이러한 한계를 해결하기 위해, 본 논문에서는 구조화된 행동 모델링을 통해 선택적 의존성 활성화를 도입하는 새로운 생성적 다중 행동 추천 프레임워크인 BITRec을 제안합니다. BITRec은 (i) 계층적 행동 집계(HBA)를 포함하며, 이는 분리된 탐색 및 확정 경로를 통해 행동 강도의 차이를 명시적으로 모델링하고, (ii) 전환 관계 인코딩(TRE)을 포함하며, 이는 명시적으로 학습 가능한 관계 행렬을 통해 전환 구조를 인코딩합니다. RetailRocket, Taobao, Tmall 및 보험 데이터셋과 같은 네 개의 대규모 데이터셋에 대한 실험 결과, 여러 지표에서 15-23%의 일관된 성능 향상을 달성했으며, Tmall 데이터셋에서 MRR이 최대 22.79%, Taobao 데이터셋에서 HR@10이 17.83%, NDCG@10이 17.55% 향상되었습니다.

Multi-behavior recommendation aims to predict user conversions by modeling various interaction types that carry distinct intent signals. Recently, generative sequence modeling methods have emerged as an important paradigm for multi-behavior recommendation by achieving flexible sequence generation. However, existing generative methods typically treat behaviors as auxiliary token features and feed them into unified attention mechanisms. These models implicitly assume uniform activation of dependencies among historical behaviors, thereby failing to discern differences in intensity or capture transition patterns. To address these limitations, we propose BITRec, a novel generative multi-behavior recommendation framework that introduces structured behavioral modeling through selective dependency activation. BITRec incorporates (i) Hierarchical Behavior Aggregation (HBA), which explicitly models behavioral intensity differences through separated exploration and commitment pathways, and (ii) Transition Relation Encoding (TRE), which encodes transition structures through explicit learnable relation matrices. Experiments on four large-scale datasets (RetailRocket, Taobao, Tmall, Insurance Dataset) with millions of interactions achieve consistent improvements of 15-23% across multiple metrics, with peak gains of 22.79% MRR on Tmall and 17.83% HR@10, 17.55% NDCG@10 on Taobao.