- Title: Context-aware Sequential Bundle Recommendation via User-specific Representations
- Authors: Jaeri Lee and U Kang
- Conference: CIKM (2025)
Sequential Bundle Recommendation
온라인 쇼핑, 음식 배달, 콘텐츠 소비 플랫폼에서는 단일 아이템이 아니라 여러 아이템이 함께 묶인 번들(bundle)형태의 소비가 점점 일반화되고 있습니다. 동시에 사용자 선호는 고정되어 있지 않고, 시간에 따라 빠르게 변화하며 최근 행동일수록 다음 선택에 더 큰 영향을 미칩니다. 따라서 실제 서비스 환경에서 효과적인 추천을 위해서는, 아이템 간의 관계를 파악하는 번들 추천의 관점과 사용자의 과거 행동 순서와 최근 맥락을 반영하는 순차 추천 관점 모두가 필수적입니다.
그림 1. 순차 번들 추천 문제
하지만 기존의 추천 연구에서는 번들 추천과 순차 추천을 독립적인 문제로 두고 있습니다. 기존 번들 추천 기법들은 주로 사용자의 선호를 정적으로 가정하거나, 번들을 하나의 고정된 객체로 취급하여 번들 내부의 아이템 구성과 시간적 맥락을 충분히 고려하지 못합니다. 반면, 순차 추천 기법들은 사용자의 행동 순서를 모델링하는 데 강점을 가지지만, 대부분 단일 아이템 단위에 초점을 맞추고 있어 번들 내부 구조의 다양성을 반영하기 어렵습니다.
따라서 본 논문에서는 번들을 고정된 객체로 취급하는 대신, 사용자의 과거 상호작용과 최근 행동 맥락에 따라 번들의 의미가 달라질 수 있다는 점에 주목하여, 번들 추천과 순차 추천을 통합적으로 다루는 순차 번들 추천(Sequential Bundle Recommendation) 문제를 제안하고 해결합니다. 순차 번들 추천 문제의 구체적인 정의는 다음과 같습니다:
- 주어진 정보: 타임스탬프가 포함된 사용자-번들 상호 작용 데이터(예: 클릭 또는 구매), 각 번들의 아이템 구성
- 목표: 각 사용자에게 다음 시점에서 선호할 가능성이 높은 번들 개를 추천
Proposed Method
그림 2. CoReSBR의 구조도
1. 맥락 기반 사용자 표현(Context-aware User Representation)
순차 번들 추천에서는 사용자의 선호가 시간에 따라 변화하며, 특히 최근에 어떤 번들과 상호작용했는지가 다음 선택에 큰 영향을 미칩니다. 하지만 기존의 번들 추천이나 순차 추천 기법들은 사용자의 과거 상호작용을 동일한 중요도로 취급하는 경우가 많아, 오래된 행동과 최근 행동이 구분되지 않거나 전체적으로 인기 있는 아이템이 사용자 개인의 실제 선호보다 과도하게 반영되는 문제가 발생합니다. 예를 들어 사용자가 과거에는 특정 번들을 자주 소비했지만 최근에는 관심이 줄어들었음에도 불구하고, 해당 번들이 여전히 사용자 선호의 중심으로 표현될 수 있습니다. CoReSBR는 이러한 한계를 해결하기 위해 과거 번들 상호작용 이력을 기반으로 시간을 고려한 사용자 표현을 학습하며, 최근에 상호작용한 번들일수록 더 큰 영향을 미치도록 설계합니다. 또한 단순한 아이템 등장 빈도가 아니라 전역적인 아이템 인기도 대비 사용자 개인의 상대적 선호도를 함께 고려함으로써, 많은 사람들이 좋아하는 아이템이 아니라 해당 사용자가 최근에 반복적으로 선호한 아이템을 중심으로 사용자의 현재 선호를 효과적으로 포착합니다. 이렇게 생성된 사용자 표현은 이후 단계에서 번들 내부 아이템의 중요도를 결정하는 동적 아이템 집계 표현과, 번들을 어떤 관점에서 해석할지를 결정하는 다중 전략 표현을 생성하기 위한 기준으로 활용됩니다. 사용자 표현을 구성하는 구체적인 수식은 논문을 참조해주시기 바랍니다.
2. 동적 아이템 집계(Adaptive Item Aggregation)
번들은 여러 아이템으로 구성되어 있지만, 사용자는 번들에 포함된 모든 아이템을 동일한 중요도로 인식하지는 않습니다. 그럼에도 불구하고 기존 번들 추천 기법들은 번들 내부 아이템을 단순 평균하거나 고정된 방식으로 결합하여, 사용자 현재 선호와 직접적으로 연관된 핵심 아이템과 그렇지 않은 아이템을 구분하지 못하는 한계를 가집니다. 예를 들어 동일한 음식 세트 번들이라도 어떤 사용자에게는 메인 메뉴가 선택의 핵심 요인이 되고, 다른 사용자에게는 사이드 메뉴가 더 중요한 요소가 될 수 있지만, 기존 방식은 이러한 차이를 반영하지 못합니다. CoReSBR은 이러한 문제를 해결하기 위해 앞서 학습된 사용자 맥락 표현을 기준으로 번들에 포함된 각 아이템이 사용자 선호에 얼마나 부합하는지를 평가하고, 이에 따라 서로 다른 가중치를 부여하여 아이템을 집계합니다. 이를 통해 동일한 번들이라도 사용자와 시점에 따라 서로 다른 번들 표현이 생성되며, 번들 내부 구조와 사용자 맥락 간의 상호작용을 효과적으로 모델링할 수 있습니다. 동적 아이템 집계의 구체적인 계산 방식과 관련 수식은 논문을 참조해주시기 바랍니다.
3. 다중 전략 표현(Multi-strategy Representation)
사용자가 번들을 선택하는 기준은 단일하지 않으며, 번들을 구성하는 아이템들의 조합 자체를 중요하게 여길 수도 있고 특정 아이템의 포함 여부를 중심으로 판단할 수도 있습니다. 하지만 기존 번들 추천 모델들은 번들을 하나의 고정된 관점에서 해석하거나 단일한 결합 전략에 의존하는 경우가 많아, 사용자별 번들 인식 차이나 다양한 번들링 전략에 대한 선호를 충분히 반영하지 못합니다. CoReSBR은 이러한 한계를 극복하기 위해 여러 번들 해석 전략을 병렬적으로 학습하고, 각 사용자가 어떤 전략에 더 민감한지를 나타내는 가중치를 함께 학습합니다. 최종 번들 표현은 전략별 표현을 사용자별 가중치로 결합하여 구성되며, 이를 통해 특정 전략에 편향되지 않고 사용자 선호의 다양성과 번들 해석의 유연성을 자연스럽게 반영할 수 있습니다. 다중 전략 표현의 구체적인 구성 방식과 관련 수식은 논문에 상세히 설명되어 있으니 참고해주시기 바랍니다.
Experiments
Conclusion
본 문서에서는 2025년 CIKM에서 발표된 "Context-aware Sequential Bundle Recommendation via User-specific Representations" 논문을 소개하였습니다. 해당 논문은 기존 순차 추천 및 번들 추천 기법들이 번들을 고정된 객체로 취급하거나 사용자 맥락을 충분히 반영하지 못한다는 한계를 지적하고, 이를 해결하기 위해 사용자 맥락에 따라 번들 표현을 동적으로 구성하는 CoReSBR 프레임워크를 제안합니다. CoReSBR은 시간에 따라 변화하는 사용자 선호를 반영한 맥락 기반 사용자 표현, 사용자 선호에 따라 번들 내부 아이템의 중요도를 다르게 반영하는 동적 아이템 집계, 그리고 사용자별로 서로 다른 번들 해석 방식을 포착하는 다중 전략 번들 표현을 통해 보다 정교한 순차 번들 추천을 수행합니다. 실험 결과 CoReSBR은 Foods 또는 Movielens와 같은 기존 데이터셋뿐만 아니라, 저자들이 직접 크롤링하여 공개한 AllRecipes 데이터셋에서도 기존 최첨단 기법들 대비 최대 8.91% 우수한 추천 성능을 보였습니다. 본 논문에서 제안한 CoReSBR은 실제 다양한 추천 시스템에서 효과적으로 활용될 수 있습니다. 예를 들어 Amazon과 같은 전자상거래 플랫폼에서는 사용자의 최근 맥락과 번들 내부 선호를 반영하여 보다 개인화된 상품 세트 추천이 가능하며, 이는 구매 전환율과 사용자 만족도를 동시에 향상시킬 수 있습니다. 또한 음식 추천이나 콘텐츠 패키지 추천과 같은 도메인에서는 사용자가 번들을 어떻게 인식하는지를 반영함으로써 보다 설득력 있는 추천을 제공할 수 있습니다. 이처럼 CoReSBR은 순차 추천과 번들 추천을 통합적으로 바라보는 새로운 관점을 제시하며, 추천 시스템 연구와 실제 서비스 양 측면에서 중요한 기여를 할 것으로 기대됩니다. 본 논문에 대한 자세한 정보는 다음 링크에서 확인하실 수 있습니다: 논문 링크.