전자상거래 추천을 위한 전이 인식 그래프 어텐션 네트워크 기반 다중 행동 순차 모델링

Multi-Behavior Sequential Modeling with Transition-Aware Graph Attention Network for E-Commerce Recommendation

전자상거래 플랫폼에서의 사용자 상호작용은 클릭, 즐겨찾기, 장바구니 담기, 구매와 같은 행동을 포함하여 본질적으로 다양합니다. 이러한 행동 간의 전이는 사용자-아이템 상호작용에 대한 귀중한 통찰력을 제공하며, 변화하는 선호도를 이해하는 데 핵심적인 신호 역할을 합니다. 이에 따라, 사용자 의도를 더 잘 파악하기 위해 다중 행동 데이터를 활용하는 것에 대한 관심이 높아지고 있습니다. 최근 연구들은 다중 행동 데이터의 순차 모델링을 탐구해 왔으며, 다수가 다항 시간 복잡도를 가진 트랜스포머(Transformer) 기반 아키텍처에 의존하고 있습니다. 이러한 접근 방식은 효과적이지만, 종종 높은 계산 비용을 유발하여 긴 사용자 시퀀스를 가진 대규모 산업 시스템에 적용하는 데 제한이 있습니다. 이러한 문제를 해결하기 위해, 우리는 다중 행동 전이를 모델링하기 위한 선형 복잡도 접근 방식인 전이 인식 그래프 어텐션 네트워크(TGA)를 제안합니다. 모든 행동 쌍을 동등하게 취급하는 기존의 트랜스포머와 달리, TGA는 (a) 아이템 수준 전이, (b) 카테고리 수준 전이, (c) 이웃 수준 전이의 세 가지 관점에서 유익한 전이를 식별하여 구조화된 희소 그래프를 구축합니다. 구조화된 그래프를 기반으로 구축된 TGA는 사용자-아이템 상호작용과 행동 전이 유형을 공동으로 모델링하는 전이 인식 그래프 어텐션 메커니즘을 채택하여, 계산 효율성을 유지하면서 순차적 패턴을 더 정확하게 포착할 수 있게 합니다. 실험 결과, TGA는 계산 비용을 크게 줄이면서도 모든 최신 모델보다 뛰어난 성능을 보이는 것으로 나타났습니다. 특히, TGA는 대규모 산업용 프로덕션 환경에 배포되어 주요 비즈니스 지표에서 인상적인 개선을 이끌어냈습니다.

User interactions on e-commerce platforms are inherently diverse, involving behaviors such as clicking, favoriting, adding to cart, and purchasing. The transitions between these behaviors offer valuable insights into user-item interactions, serving as a key signal for un- derstanding evolving preferences. Consequently, there is growing interest in leveraging multi-behavior data to better capture user intent. Recent studies have explored sequential modeling of multi- behavior data, many relying on transformer-based architectures with polynomial time complexity. While effective, these approaches often incur high computational costs, limiting their applicability in large-scale industrial systems with long user sequences. To address this challenge, we propose the Transition-Aware Graph Attention Network (TGA), a linear-complexity approach for modeling multi-behavior transitions. Unlike traditional trans- formers that treat all behavior pairs equally, TGA constructs a structured sparse graph by identifying informative transitions from three perspectives: (a) item-level transitions, (b) category-level transitions, and (c) neighbor-level transitions. Built upon the structured graph, TGA employs a transition-aware graph Attention mechanism that jointly models user-item interactions and behav- ior transition types, enabling more accurate capture of sequential patterns while maintaining computational efficiency. Experiments show that TGA outperforms all state-of-the-art models while sig- nificantly reducing computational cost. Notably, TGA has been deployed in a large-scale industrial production environment, where it leads to impressive improvements in key business metrics.