DisenReason: 행동 분리 및 잠재적 추론을 통한 공유 계정 기반 시퀀스 추천

DisenReason: Behavior Disentanglement and Latent Reasoning for Shared-Account Sequential Recommendation

스트리밍 및 전자상거래 플랫폼에서 여러 사용자가 하나의 계정을 공유하는 경우가 흔합니다. 기존의 공유 계정 기반 시퀀스 추천(SSR) 방법은 계정당 고정된 수의 잠재적 사용자를 가정하는 경우가 많아, 다양한 공유 패턴에 대한 적응력을 제한하고 추천 정확도를 저하시킵니다. 최근의 시퀀스 추천(SR)에서 사용되는 잠재적 추론 기술은 사용자 임베딩(예: 마지막 아이템 임베딩)에서 중간 임베딩을 생성하여 사용자의 잠재적 관심사를 파악합니다. 이러한 점에 영감을 받아, 본 연구에서는 공유 계정에서 잠재적 사용자 수를 추론하는 문제를, 사용자 뒤에 숨겨진 선호도를 추론하는 것이 아니라, 계정 뒤에 숨겨진 사용자를 추론하는 것으로 간주하여, 일련의 중간 임베딩을 생성하는 과정으로 재구성합니다. 그러나, SSR에서 마지막 아이템은 직접적인 추론에 사용될 수 없습니다. 왜냐하면 이는 가장 최근의 잠재적 사용자의 행동만을 나타낼 뿐, 전체 계정의 집단적 행동을 나타내지 않기 때문입니다. 이러한 문제를 해결하기 위해, 본 연구에서는 SSR에 특화된 두 단계 추론 방법인 DisenReason을 제안합니다. DisenReason은 주파수 영역 관점에서 행동 분리 단계를 결합하여, 계정의 집단적이고 통합된 행동 표현을 생성합니다. 이는 잠재적 사용자 추론 단계에서 계정 뒤에 숨겨진 사용자 수를 추론하기 위한 기준으로 사용됩니다. 네 개의 표준 데이터 세트에 대한 실험 결과, DisenReason은 네 개의 표준 데이터 세트에서 모든 최첨단 기준 모델보다 일관되게 우수한 성능을 보였으며, MRR@5에서 최대 12.56%, Recall@20에서 최대 6.06%의 상대적 성능 향상을 달성했습니다.

Shared-account usage is common on streaming and e-commerce platforms, where multiple users share one account. Existing shared-account sequential recommendation (SSR) methods often assume a fixed number of latent users per account, limiting their ability to adapt to diverse sharing patterns and reducing recommendation accuracy. Recent latent reasoning technique applied in sequential recommendation (SR) generate intermediate embeddings from the user embedding (e.g, last item embedding) to uncover users' potential interests, which inspires us to treat the problem of inferring the number of latent users as generating a series of intermediate embeddings, shifting from inferring preferences behind user to inferring the users behind account. However, the last item cannot be directly used for reasoning in SSR, as it can only represent the behavior of the most recent latent user, rather than the collective behavior of the entire account. To address this, we propose DisenReason, a two-stage reasoning method tailored to SSR. DisenReason combines behavior disentanglement stage from frequency-domain perspective to create a collective and unified account behavior representation, which serves as a pivot for latent user reasoning stage to infer the number of users behind the account. Experiments on four benchmark datasets show that DisenReason consistently outperforms all state-of-the-art baselines across four benchmark datasets, achieving relative improvements of up to 12.56\% in MRR@5 and 6.06\% in Recall@20.