온라인 추천을 위한 확률적 잔차 학습

Probabilistic Residual Learning for Online Recommendations

현대적인 추천 시스템은 일반적으로 사용자와 항목의 표현을 학습하는 밀집 인코더를 사용하는 딥러닝(DL) 모델을 기반으로 합니다. 결과적으로 이러한 시스템은 기본 모델의 블랙박스 특성과 계산 복잡성으로 인해 종종 어려움을 겪으며, 이는 추천 성능을 체계적으로 향상시키는 데 어려움을 초래합니다. 이 문제를 해결하기 위해, 우리는 원본 예측과 실제 값 사이의 잔차를 모델링하여 기존 시스템을 정교하게 개선할 수 있는 인과적 베이즈 추천 모델인 확률적 잔차 학습(PRL)을 제안합니다. 특히, PRL은 (1) 지역적인 잔차 모델링을 위해 사용자를 확률적으로 그룹화하고, (2) 사용자 및 항목 표현에 영향을 미치는 도메인 수준의 교란 요인을 모델링하며, (3) do-calculus를 사용하여 교란 요인에 따른 클러스터별 잔차 예측을 집계합니다. 실험 결과는 우리의 플러그 앤 플레이 방식으로 사용할 수 있는 PRL이 다양한 기본 딥러닝 추천 시스템과 호환되며, 성능을 향상시키는 동시에 의미 있는 사용자 그룹을 자동으로 발견할 수 있음을 보여줍니다.

Modern recommender systems are typically based on deep learning (DL) models, where a dense encoder learns representations of users and items. As a result, these systems often suffer from the black-box nature and computational complexity of the underlying models, making it difficult to systematically enhance their recommendation capabilities. To address this problem, we propose Probabilistic Residual Learning (PRL), a causal Bayesian recommendation model that models the residual between ground-truth and base predictions, enabling targeted refinement of existing systems. Specifically, PRL (1) probabilistically groups users for localized residual modeling, (2) models domain-level confounders that influence user and item representations, and (3) aggregates cluster-specific residual predictions over the confounders using do-calculus. Experiments demonstrate that our plug-and-play PRL is compatible with various base deep learning recommender systems, improving their performance while automatically discovering meaningful user clusters.