DAIAN: 심층적 적응형 의도 인식 네트워크 - 트리거 기반 추천 시스템에서의 CTR 예측

DAIAN: Deep Adaptive Intent-Aware Network for CTR Prediction in Trigger-Induced Recommendation

추천 시스템은 전자상거래 쇼핑 경험을 개인화하는 데 필수적입니다. 그중에서도 트리거 기반 추천(TIR)은 사용자의 즉각적인 관심사를 명시적으로 나타내는 트리거 아이템을 활용하여 정밀하고 실시간 추천을 가능하게 하는 중요한 시나리오로 부상했습니다. 여러 트리거 기반 기술이 제안되었지만, 대부분의 기술은 '의도 근시' 문제를 해결하는 데 어려움을 겪습니다. 즉, 추천 시스템이 트리거 아이템의 역할을 지나치게 강조하고 트리거 아이템과 관련된 상품에만 좁게 집중하는 것입니다. 기존 방법은 트리거 아이템과 추천 아이템 간의 협업 패턴을 사용하여 사용자의 선호도를 파악하지만, ID 기반 상호 작용의 희소성은 이러한 방법의 효과를 제한합니다. 이에, 우리는 사용자의 의도 선호도에 동적으로 적응하는 심층적 적응형 의도 인식 네트워크(DAIAN)를 제안합니다. 일반적으로, 우리는 먼저 사용자의 클릭 데이터와 트리거 아이템 간의 상관 관계를 분석하여 사용자의 개인화된 의도 표현을 추출하고, 이를 통해 사용자의 다양한 의도를 파악하기 위한 관련 과거 행동을 검색합니다. 또한, 희소한 협업 행동은 사용자 의도와 관련된 아이템을 파악하는 데 성능 저하를 초래합니다. 따라서, 우리는 ID 정보와 의미 정보를 활용한 하이브리드 증강기를 사용하여 유사성을 강화하고, 다양한 의도에 따라 적응적으로 선택합니다. 공개 데이터 세트 및 당사 산업 전자상거래 데이터 세트에서 수행한 실험 결과는 DAIAN의 효과를 입증합니다.

Recommendation systems are essential for personalizing e-commerce shopping experiences. Among these, Trigger-Induced Recommendation (TIR) has emerged as a key scenario, which utilizes a trigger item (explicitly represents a user's instantaneous interest), enabling precise, real-time recommendations. Although several trigger-based techniques have been proposed, most of them struggle to address the intent myopia issue, that is, a recommendation system overemphasizes the role of trigger items and narrowly focuses on suggesting commodities that are highly relevant to trigger items. Meanwhile, existing methods rely on collaborative behavior patterns between trigger and recommended items to identify the user's preferences, yet the sparsity of ID-based interaction restricts their effectiveness. To this end, we propose the Deep Adaptive Intent-Aware Network (DAIAN) that dynamically adapts to users' intent preferences. In general, we first extract the users' personalized intent representations by analyzing the correlation between a user's click and the trigger item, and accordingly retrieve the user's related historical behaviors to mine the user's diverse intent. Besides, sparse collaborative behaviors constrain the performance in capturing items associated with user intent. Hence, we reinforce similarity by leveraging a hybrid enhancer with ID and semantic information, followed by adaptive selection based on varying intents. Experimental results on public datasets and our industrial e-commerce datasets demonstrate the effectiveness of DAIAN.