생성적 추천을 위한 분산된 사용자 관심사 컨텍스트의 구조화 및 토큰화

Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation

생성적 추천은 산업계 추천 시스템에서 유망한 성능을 보여주는 새로운 패러다임으로, 사용자의 과거 행동 패턴을 기반으로 사용자의 다음 상호작용을 예측하는 것을 목표로 합니다. 생성적 추천의 핵심은 항목 토큰화이며, 이는 항목 의미론과 추천 모델을 연결합니다. 그러나 기존 방법들은 종종 복잡한 사용자-행동 및 항목-의미 컨텍스트를 동시에 효과적으로 구성하고 추천 모델에 통합하는 데 어려움을 겪습니다. 한편, 그래프 직렬화 및 그래프 신경망과 같은 기존의 그래프 기반 통합 방법은 확장성 문제에 직면하거나 로컬 그래프 정보만을 활용합니다. 다른 한편으로, 기존의 의미 토큰화 방법은 일반적으로 휴리스틱에 의존하며 명시적인 지도 신호가 부족하여 부정확하거나 최적이 아닌 의미 표현을 초래할 수 있습니다. 이러한 사용자 관심사 컨텍스트 모델링의 제한 사항을 해결하기 위해, 우리는 산업 규모의 생성적 추천을 위한 전체적인 그래프 기반 사용자 공동 참여 모델링과 의미 토큰화를 통합하는 확장 가능한 프레임워크인 G2Rec을 제안합니다. 전반적으로 G2Rec은 사용자가 제공한 실제 관심사 정보를 필요로 하지 않고도 추천 모델이 포괄적이고 의미론적으로 근거 있는 사용자 관심사 프로토타입을 파악할 수 있도록 하여 산업 환경의 순차적 추천에서 사용자 행동 컨텍스트를 보다 포괄적이고 정확하게 모델링합니다. 다양한 제품 서비스에 대한 온라인 배포 및 공개 데이터 세트에 대한 광범위한 실험 결과는 G2Rec이 기존 방법보다 우수하다는 것을 입증합니다.

Generative recommendation is an emerging paradigm that has shown promise in industrial recommendation systems, aiming to predict users' next interactions from their historical behaviors. At the core of generative recommendation lies item tokenization, which bridges item semantics and recommendation models. However, existing methods often struggle to effectively organize and inject complex user-behavioral and item-semantic contexts into recommendation models simultaneously. On the one hand, existing graph-based integration methods, such as graph serialization and graph neural networks, either suffer from scalability issues or exploit only local graph information. On the other hand, existing semantic tokenization methods typically rely on heuristics and lack explicit supervision signals, which may lead to inaccurate or suboptimal semantic representations. To address these limitations in user interest context modeling, we propose G2Rec, a scalable framework that unifies holistic graph-based user co-engagement modeling with semantic tokenization for industrial-scale generative recommendation. Overall, G2Rec enables recommendation models to capture holistic and semantically grounded user interest prototypes without requiring ground-truth user interests, thereby providing more comprehensive and accurate modeling of user behavior contexts in industrial sequential recommendation. Online deployment across product surfaces and extensive experiments on public datasets demonstrate the superiority of G2Rec over existing methods.