그래프 구조 데이터는 복잡한 관계를 모델링하는 데 핵심적인 역할을 합니다. 그러나 실제 그래프는 데이터 수집 및 관측의 제약으로 인해 불완전한 경우가 많으며, 이는 현대 그래프 학습 파이프라인의 효과를 심각하게 제한합니다. 기존 그래프 데이터 증강(Graph Data Augmentation, GDA) 방식들은 다운스트림 성능 향상을 위해 그래프 구조를 정제하고자 시도하지만, 대개 레이블 의존적이고 계산 비용이 많이 들며 본질적으로 트랜스덕티브(transductive)하여 실제 환경에서의 적용 가능성이 제한됩니다. 본 연구에서는 명시적인 구조 모델링을 우회하고 임베딩(embedding) 공간에서 직접 작동하는 새로운 특징(feature) 중심 그래프 데이터 증강 프레임워크를 제안합니다. 자기지도 역마스킹(inverse masking) 과정을 통해, 본 방법은 관측된 그래프와 완전한 그래프 사이의 잠재적 연결을 포착하여 정제된 노드(node) 표현을 통해 관측되지 않은 구조적 신호를 복원할 수 있도록 합니다. 노이즈가 많고 희소한 지도 신호 하에서의 강건성을 향상하기 위해, 효과적인 학습(training)과 일반화를 위한 메시지 정규화기(message regularizer) 및 부트스트랩 전략을 도입합니다. 여러 도메인에 걸친 10개의 그래프 데이터셋에서 평가한 결과, 우리의 접근 방식인 SelfAug는 인덕티브(inductive) 및 콜드 스타트(cold-start) 설정 모두에서 정확도와 효율성 측면에서 최첨단(SOTA) 방법들을 일관되게 능가하며, 실제 그래프 학습 시나리오를 위한 확장 가능하고 일반화 가능한 솔루션으로서의 잠재력을 입증합니다.
본 논문에서는 산업 규모의 검색 및 추천 시스템에서 콘텐츠 콜드 스타트(cold-start) 문제를 해결하기 위한 새로운 솔루션을 제안한다. 기존 접근법과 비교하여 다음과 같은 새로운 기여를 이뤘다. 1) 본 솔루션은 전체 다단계 퍼널에 걸쳐 적용되며 검색 및 추천 서피스 모두에 잘 일반화된다. 2) 본 솔루션은 기존 콘텐츠를 선호하는 바이어스를 줄여 콘텐츠 유형 전반에 걸친 더 정확한 모델 예측을 가능하게 하고, 대량의 명시적 콘텐츠 탐색과 관련된 단기적 트레이드오프를 완화한다. 3) 본 솔루션은 단기 실험을 빠르게 수행하면서 장기적 영향을 검증할 수 있는 확장 가능한 측정 프레임워크로 평가되었다. 지난 2년간 Pinterest에서 이 새로운 시스템을 반복적으로 구축·배포했으며, 신규 콘텐츠 탐색, 전반적인 사용자 참여, 콘텐츠 생태계 건강성에서 유의미한 개선을 관측했다.
양면 마켓플레이스에서의 개인화는 사용자 수준 특징에 크게 의존하지만, 구매 빈도가 낮고 구매 전 고려가 긴 플랫폼의 경우 유료 및 자연(organic) 채널 모두에 걸쳐 효과적인 추천을 위한 충분한 이력을 갖추지 못한 사용자가 상당수 존재한다. Airbnb에서는 상당 비율의 검색 요청이 로그아웃 상태이거나 첫 방문 사용자로부터 발생하며, 이 문제는 유료 채널 랜딩 페이지에서 특히 두드러져 전체 트래픽의 상당 부분에서 기존 사용자 수준 특징을 사용할 수 없게 한다. 개인정보 규제와 서드파티 쿠키에 대한 점점 강화되는 제한은 비필수 사용 사례에 대한 식별자 기반 추적을 더욱 제한한다. 본 논문은 geo-IP 데이터와 적응형 클러스터링 알고리즘을 사용하여 지리적 근접성에 따라 사용자를 그룹화하고, 추론 시 지속적인 개별 식별자 없이도 약 1,000명의 인근 사용자 그룹에 대한 집계된 사용자 수준 신호를 생성하는 개인정보 준수 특징 시스템인 Proximity Features(근접 특징)를 제안한다. 개인정보 보호는 설계상 보장된다. 파이프라인은 동의 기반 프라이버시 통제 내에서 동의된 집계 데이터만으로 동작한다. 이 시스템은 Airbnb 프로덕션에 배포되어 마케팅 랜딩 페이지, 목적지 추천 등 여러 접점에 서비스되고 있으며, engagement 이메일 통합이 진행 중이다. 온라인 A/B 실험은 예약 건수에서 통계적으로 유의미한 향상을 보여주며, 이력이 없거나 오래된 사용자에서 가장 큰 이득이 관찰되었다.
베트남어 추천 시스템 연구는 공개되고 잘 문서화된 호텔 상호작용 리소스의 부재로 인해 여전히 제한적이다. 이러한 리소스를 구축하는 것은 세 가지 이유로 어렵다: 상호작용을 비교 가능하게 하려면 플랫폼 간 호텔명을 먼저 조정해야 한다; 품질은 임의의 정제가 아니라 재현 가능한 지표로 검증되어야 한다; 공개 배포는 현실적인 콜드 스타트 조건에서 벤치마크 가능성을 유지하면서 프라이버시를 보존해야 한다. 우리는 Booking.com, Traveloka, Ivivu에서 크롤링한 6,832명의 사용자와 560개 호텔 간 18,267건의 상호작용으로 구성된 품질 관리 기반 베트남 호텔 추천 데이터셋 ViHoRec을 소개한다. 우리의 기여는 다음과 같다: (i) 플랫폼 간 엔티티 정합과 정량적 품질 관리를 갖춘 재현 가능한 구축 파이프라인; (ii) HMAC 가명을 활용한 프라이버시 보존 공개; (iii) 시간적 leave-last-one-out 분할, 데이터 중심 ablation, 의존성 없는 baseline을 포함한 공개 콜드 스타트 벤치마크. 공개 분할에서 학습된 모델은 짧은 이력을 가진 사용자에 대해 급격히 성능이 저하되며(BPR-MF 재현율@10: 0.065 vs. 0.120), UserKNN이 전체적으로 가장 강한 성능을 보이며, ViHoRec을 저자원 추천을 위한 희소하고 콜드 스타트가 지배적인 테스트베드로 확립한다. 모든 데이터는 https://github.com/MinhNguyenDS/ViHoRec 에서 공개적으로 이용 가능하다.
추천 시스템은 방대한 선택지 중에서 사용자에게 관련 아이템을 추천하는 역할을 한다. 트랜스포머(transformer) 기반 순차 추천에 관한 현재 연구들은 상호작용 로그에서 사용자 선호도를 학습하지만, 대부분 아이템 식별자에 초점을 맞추고 아이템의 의미론적 정보를 충분히 활용하지 않는다. 이러한 한계는 과거 상호작용 데이터가 부족한 희소(sparse) 및 콜드 스타트(cold-start) 환경에서 주요한 도전 과제가 된다. 이 문제를 해결하기 위해, 우리는 의미론적 맥락을 순차 모델링에 직접 임베딩하는 트랜스포머 기반 프레임워크인 SISA-Rec(Semantically Integrated Sequential Recommendation)을 제안한다. 우리의 접근 방식은 게이트 융합 모듈(gated fusion module)을 통해 아이템 ID 임베딩과 BERT 기반 텍스트 임베딩을 결합하고, 셀프 어텐션(self-attention) 메커니즘에 의미론적 유사도를 주입하며, 어텐션 기반 집계 모듈을 활용하여 포괄적인 사용자 표현을 구성한다. 마지막으로, 베이지안 개인화 랭킹(Bayesian Personalized Ranking, BPR)과 대조적 정렬 손실을 결합한 결합 학습 목표가 행동 공간과 의미 공간을 정렬한다. 실험은 99.93%의 희소성을 가진 Amazon Beauty와 Amazon Toys & Games 두 고희소성 데이터셋에서 수행되었다. 결과는 SISA-Rec이 모든 평가 지표에서 최신 기준선 모델을 능가함을 보여준다. BERT4Rec \cite{petrov2022systematic}과 비교하여, SISA-Rec은 Amazon Beauty에서 HR@10을 16.6%, NDCG@10을 10.3% 향상시키고, Amazon Toys & Games에서 HR@10을 23.1%, NDCG@10을 17.9% 향상시킨다. 콜드 스타트 분석은 제안된 모델이 상호작용 이력이 제한된 사용자에게서 가장 큰 성능 향상을 달성함을 추가로 보여준다. 이는 사용자 행동 데이터가 부족할 때 의미론적 정보의 가치를 잘 보여준다. 전반적으로, 결과는 의미론적 정보를 어텐션 메커니즘에 통합하는 것이 더 정확하고 신뢰할 수 있는 추천으로 이어진다는 것을 입증한다.
훈련 중 PPI 엣지가 없는 콜드-스타트(cold-start) 단백질 간 상호작용 예측을 위해 MKGR은 ESM2 기반 영역 인식 시퀀스 인코딩과 단백질-약물, 단백질-질병, 단백질-miRNA, 단백질-lncRNA 등 4종의 생의학 지식 그래프를 결합한 멀티모달 표현 학습 프레임워크를 제안한다. 브릿지 재구성 목적 함수로 희소한 그래프 학습을 정규화하고, 쌍 수준 게이팅 모듈로 시퀀스와 그래프 표현을 적응적으로 융합한 결과, novel-old 및 novel-novel 콜드-스타트 설정 모두에서 기존 시퀀스·네트워크·지식 그래프 기반 베이스라인을 ACC, F1, AUC, AUPR, MCC 전 지표에서 일관되게 상회하였다.
Recent advances in multimodal recommenders excel at feature fusion but remain opaque and inefficient decision-makers, lacking explicit reasoning and self-awareness of uncertainty. We introduce ReasonRec, a reasoning-augmented multimodal agent structured around a three-stage explicit reasoning pipeline. Specifically, we propose a reasoning-aware visual instruction tuning strategy that systematically transforms diverse recommendation tasks into unified CoT prompts, enabling the VLM to explicitly articulate intermediate decision steps. Additionally, our evidence-horizon curriculum progressively enhances the reasoning complexity to better handle cold-start and long-tail user scenarios, significantly boosting model generalization. Furthermore, the uncertainty-guided delegation mechanism empowers the agent to assess its own confidence, strategically allocating computational resources to optimize both recommendation accuracy and inference efficiency. Comprehensive experiments on four standard recommendation tasks across five real-world datasets demonstrate that ReasonRec achieves over 30% relative improvement in key ranking metrics compared to state-of-the-art multimodal recommenders. Crucially, ReasonRec substantially reduces inference latency by dynamically delegating up to 35% of queries to efficient sub-models without compromising accuracy. Extensive ablation studies further confirm that each proposed reasoning and planning mechanism individually contributes substantially to ReasonRec's overall effectiveness. Collectively, our results illustrate a clear pathway towards interpretable, adaptive, and efficient multimodal recommendation through explicit reasoning and agentic design.
암시적 피드백(implicit feedback)은 접근성과 범용성으로 인해 추천 시스템에서 널리 사용되지만, 일반적으로 노이즈가 포함된 샘플(예: 클릭베이트, 위치 바이어스)을 나타냅니다. 한편, 새로운 아이템의 지속적인 유입으로 인해 추천 시스템은 필연적으로 아이템 콜드 스타트(cold-start) 문제에 직면합니다. 우리는 콜드 아이템이 앞서 언급한 요인들로 인해 노이즈 샘플에 더 취약하다는 점을 확인했으며, 연구자들은 종종 콜드 아이템에 대한 암시적 피드백의 노이즈 제거(denoising) 중요성을 간과한다는 것을 발견했습니다. 기존 노이즈 제거 연구들은 일반적으로 높은 손실(loss) 값과 같은 휴리스틱 패턴을 기반으로 노이즈 샘플을 식별하고, 샘플 선택 또는 가중치 재조정을 통해 노이즈를 완화합니다. 그러나 이러한 방법들은 적응성이 제한적이며 콜드 스타트 시나리오에서는 효과적이지 않습니다. 콜드 스타트 추천을 위한 암시적 피드백 노이즈 제거를 달성하기 위해, 우리는 DIF라는 모델에 독립적인(model-agnostic) 노이즈 제거 방법을 제안합니다. 첫째, 콘텐츠에 대한 사용자 선호도는 안정적으로 유지되므로, 이를 통해 콘텐츠가 유사한 웜 아이템(warm items)을 사용하여 사용자가 콜드 아이템에 관심이 있는지를 나타내는 의사 라벨(pseudo-labels)을 추론할 수 있습니다. 또한, 의사 라벨의 정확도를 높이기 위해 콜드 아이템과 웜 아이템 간의 콘텐츠 유사도를 기반으로 의사 라벨의 신뢰도를 모델링한 다음, 각 샘플에 대해 여러 의사 라벨을 집계합니다. 마지막으로, 샘플의 상대 엔트로피와 아이템의 콜드 스타트 상태를 고려하여 노이즈 샘플 라벨의 불확실성을 명시적으로 추정하며, 이는 샘플 수준에서 노이즈 라벨을 수정하기 위해 의사 라벨의 역할을 적응적으로 조절합니다. DIF의 우수성은 이론적 근거와 실제 데이터셋에 대한 광범위한 실험을 통해 뒷받침됩니다. 이 방법은 10억 사용자 규모의 숏폼 비디오 애플리케이션인 콰이쇼우(Kuaishou)에 배포되었으며, 콜드 스타트 시나리오에서 다양한 상업적 지표를 유의미하게 개선했습니다.
콜드 스타트 아이템 추천에서 발생하는 시소 딜레마(seesaw dilemma)를 해결하기 위해 DiffCold라는 디퓨전 기반 생성 모델을 제안한다. 조건부 디퓨전과 검색 강화 집계기, 시뮬레이션 기반 표현 정렬을 통해 웜 아이템과 콜드 아이템의 표현을 통합하여 벤치마크에서 최신 방법론을 모두 능가하는 성능을 보였다.
가동 시점에 태양광(PV) 운영자는 대상 부지 관측치가 확보되기 전에 생산량을 예측해야 하므로, 표준 지도 학습 예측 모델의 직접적인 사용이 제한된다. 이러한 콜드 스타트(cold-start) 설정은 발전소 메타데이터와 기상 공변량으로부터 합성 생산 이력을 생성하는 제로샷(zero-shot) 파이프라인을 통해 해결되며, 이를 통해 시계열 파운데이션 모델(TSFMs)이 추론 시점 컨디셔닝(inference-time conditioning)을 통해 예측할 수 있게 된다. 5개의 TSFM이 엄격한 콜드 스타트 기준선(Cold-Start Baseline), 실제 피드백(Real Feedback), 자체 예측 피드백(Self-Forecast Feedback) 전략 하에서 고전적 기준 모델들과 비교 평가되었다. 평가는 4개의 데이터셋과 다양한 기후 조건에 걸친 440개의 태양광 부지를 대상으로 수행되었다. 공변량 인지(covariate-aware) 파운데이션 모델은 기준 모델보다 약 1.7-2배 더 우수한 성능을 보였다: TabPFN-TS는 실제 피드백(Real Feedback) 하에서 가장 낮은 오차(MAE $0.514$, RMSE $0.721$ $kWh$ ${kWp}^{-1}$ ${d}^{-1}$)를 달성했고, Chronos-2는 자체 예측 피드백(Self-Forecast Feedback) 하에서 가장 안정적이었다. 성능은 합성 이력 소스에 크게 민감하지 않으며, 이는 정확도가 특정 생성기보다는 그럴듯한 시간적 맥락의 가용성에 의해 더 크게 주도됨을 나타낸다.