[논문 리뷰] Generative Recommendation: Towards Next-generation Recommender Paradigm

Wenjie Wang, Xinyu Lin외 3명|arXiv (Cornell University)|2023. 04. 07.

Generative Adversarial Networks and Image Synthesis인용 수 31

한 줄 요약

본 논문은 사용자의 지시와 피드백에 따라 항목을 재목적화하거나 생성하는 AI 생성 추천자 패러다임인 GeneRec를 제안하며, 충실도 점검과 미세 동영상(micro-video) 콘텐츠에 대한 실현 가능성 연구를 포함한다.

ABSTRACT

Recommender systems typically retrieve items from an item corpus for personalized recommendations. However, such a retrieval-based recommender paradigm faces two limitations: 1) the human-generated items in the corpus might fail to satisfy the users' diverse information needs, and 2) users usually adjust the recommendations via inefficient passive feedback, e.g., clicks. Nowadays, AI-Generated Content (AIGC) has revealed significant success, offering the potential to overcome these limitations: 1) generative AI can produce personalized items to satisfy users' information needs, and 2) the newly emerged large language models significantly reduce the efforts of users to precisely express information needs via natural language instructions. In this light, the boom of AIGC points the way towards the next-generation recommender paradigm with two new objectives: 1) generating personalized content through generative AI, and 2) integrating user instructions to guide content generation. To this end, we propose a novel Generative Recommender paradigm named GeneRec, which adopts an AI generator to personalize content generation and leverages user instructions. Specifically, we pre-process users' instructions and traditional feedback via an instructor to output the generation guidance. Given the guidance, we instantiate the AI generator through an AI editor and an AI creator to repurpose existing items and create new items. Eventually, GeneRec can perform content retrieval, repurposing, and creation to satisfy users' information needs. Besides, to ensure the trustworthiness of the generated items, we emphasize various fidelity checks. Moreover, we provide a roadmap to envision future developments of GeneRec and several domain-specific applications of GeneRec with potential research tasks. Lastly, we study the feasibility of implementing AI editor and AI creator on micro-video generation.

연구 동기 및 목표

• AI가 생성하는 콘텐츠(AIGC)의 잠재력이 검색 기반 추천의 한계를 해결하는 데 기여할 수 있음을 강조한다.
• 세 구성요소: 지시자, AI 편집자, AI 생성자로 GeneRec 패러다임을 정의한다.
• 생성 아이템에 대한 충실도 점검(편향, 프라이버시, 안전성, 진정성, 합법성, 식별 가능성)을 선보인다.
• 마이크로비디오 데이터에서 AI 편집자/생성자의 실현 가능성을 보여주고 향후 연구 방향을 제시한다.

제안 방법

• 전통적 검색과 사용자의 지시 및 피드백을 활용하는 AI 생성기를 결합한 두 루프 패러다임으로 GeneRec를 도입한다.
• 지시를 처리하는 지시자, 기존 아이템을 재목적화하는 AI 편집자, 새 아이템을 생성하는 AI 생성기의 세 가지 모듈을 정의한다.
• 편향, 프라이버시, 안전성, 진정성, 합법성, 식별 가능성(워터마킹, 탐지)을 포함한 충실도 점검을 구현한다.
• 아이템 측(품질 및 충실도) 및 사용자 측(만족도) 평가 설계를 개요화한다.
• 현대 AIGC 방법(CLIP, RDM, MCVD, VToonify, 확산 모델)을 활용한 마이크로비디오 편집 및 생성 작업을 시연한다.
• 대규모 마이크로비디오 데이터셋에 대한 실현 가능성 연구를 제공하고 썸네일 선택, 썸네일 생성, 클리핑, 콘텐츠 수정, 생성에 대한 실험을 수행한다.

실험 결과

연구 질문

• RQ1 AI 생성기가 개인화된 사용자 정보 필요를 충족하기 위해 아이템을 효과적으로 재목적화하거나 생성할 수 있는가?
• RQ2 사용자 지시와 다중 모달 피드백이 콘텐츠 생성을 어떻게 안내하여 관련성 및 만족도를 향상시킬 수 있는가?
• RQ3 추천에서 AI 생성 콘텐츠의 신뢰성을 보장하기 위한 충실도 및 안전 메커니즘은 무엇이 실행 가능할까?
• RQ4 현행 AIGC 기술이 마이크로비디오 콘텐츠를 위한 AI 편집자와 AI 생성자의 실용적 구성을 지원할 수 있는가?
• RQ5 전통적 검색 기반 방식과 비교할 때 생성 콘텐츠를 추천 시스템에 통합하는 잠재적 이점과 한계는 무엇인가?

주요 결과

• GenRec는 기존 아이템 코퍼스 범위를 넘어 다양한 사용자 니즈를 충족시키기 위해 콘텐츠 검색, 재목적화 및 생성을 가능하게 한다.
• 충실도 점검(편향, 프라이버시, 안전성, 진정성, 합법성, 식별 가능성)은 신뢰할 수 있는 생성 콘텐츠에 필수적이다.
• 마이크로비디오 실현 가능성 연구에서 AI 편집자 작업(썸네일 선택/생성, 클리핑, 콘텐츠 수정)은 베이스라인보다 성능 향상을 보였고, 일부 작업에서 RDM/대형 확산 기반 방법이 최고 성능을 보였다.
• 개인화된 썸네일 선정을 위한 CLIP를 이용한 AI 편집자는 Random/Original 베이스라인보다 Cosine@K 및 PS@K 지표를 향상시키며, 썸네일 생성에 대해선 RDM이 최적의 결과를 보인다.
• CLIP를 이용한 마이크로비디오 클리핑은 Cosine@K 및 PS@K 지표에서 일관되게 베이스라인을 능가했다.
• MCVD 기반 마이크로비디오 콘텐츠 수정 및 생성은 사용자 임베딩이나 과거 선호도에 의해 안내될 때 사용자 정렬 결과를 개선할 수 있으나, 무조건 생성에 비해 일부 품질 격차가 남아 있다.
• 생성 작업은 단기 코사인 유사도는 더 높지만 FVD 점수는 더 커져, 개인화된 생성을 완전히 충족시키는 데 현재 한계가 있음을 시사한다.