[논문 리뷰] SRSUPM: Sequential Recommender System Based on User Psychological Motivation

Yicheng Di, Yuan Liu외 2명|arXiv (Cornell University)|2026. 02. 09.

Recommender Systems and Techniques인용 수 0

한 줄 요약

SRSUPM은 다층 변화 표현과 변화 인지 협력 학습을 활용하여 차기 아이템 예측을 개선하기 위해 심리적 동기 변화을 모델링하는 순차 추천기를 보강하는 플러그인 프레임워크다.

ABSTRACT

Sequential recommender infers users' evolving psychological motivations from historical interactions to recommend the next preferred items. Most existing methods compress recent behaviors into a single vector and optimize it toward a single observed target item, but lack explicit modeling of psychological motivation shift. As a result, they struggle to uncover the distributional patterns across different shift degrees and to capture collaborative knowledge that is sensitive to psychological motivation shift. We propose a general framework, the Sequential Recommender System Based on User Psychological Motivation, to enhance sequential recommenders with psychological motivation shift-aware user modeling. Specifically, the Psychological Motivation Shift Assessment quantitatively measures psychological motivation shift; guided by PMSA, the Shift Information Construction models dynamically evolving multi-level shift states, and the Psychological Motivation Shift-driven Information Decomposition decomposes and regularizes representations across shift levels. Moreover, the Psychological Motivation Shift Information Matching strengthens collaborative patterns related to psychological motivation shift to learn more discriminative user representations. Extensive experiments on three public benchmarks show that SRSUPM consistently outperforms representative baselines on diverse sequential recommender tasks.

연구 동기 및 목표

• 시간에 따라 사용자의 심리적 동기가 순차 추천에서 어떻게 변화하는지 동기 부여하고 정량화합니다.
• 백본을 변화 인식 표현 및 학습으로 확장하는 일반적이고 플러그인식 프레임워크를 개발합니다.
• PMSA로 변화 정도를 정량화하고 SIC 및 PMSID/PMSIM을 통해 다층 변화 표현을 구성합니다.
• Shift 정보를 매칭하는 전환적 학습을 통해 변화 인식 사용자 표현을 동일 대상 및 동일 변화 수준을 공유하는 유사한 사용자 간에 정렬합니다.

제안 방법

• 역사 기록과 대상 아이템 간의 변화 정도를 범주 중첩으로 정량화하는 Psychological Motivation Shift Assessment (PMSA)를 도입합니다.
• 백본 사용자 벡터로부터 V 개의 평행 변화 표현을 생성하기 위한 Shift Information Construction (SIC)을 구축합니다.
• PMSID를 적용하여 변화 표현을 정규화하고 수준 간 분배를 수행합니다.
• PMSIM을 사용하여 동일 대상 및 동일 변화 레벨을 공유하는 유사한 사용자 간에 변화 표현을 맞춰 정렬합니다.
• 백본(예: SASRec) 위에 SRSUPM을 다중 작업 손실로 구현합니다(추천자 손실, 분해 손실, 매칭 손실의 결합).
• f_{m,k}를 통해 변화 인식 표현을 모으고 V 수준에 대해 소프트맥스 연산을 수행하여 변화 조건부 추천을 가능하게 하는 최종 아이템 점수를 계산합니다.

Figure 1: When predicting the next interacted item, sequential recommender methods that follow the standard formulation often fail to make accurate predictions for users $m_{1}$ and $m_{3}$ , mainly due to the shift in psychological motivation.

실험 결과

연구 질문

• RQ1 SRSUPM을 서로 다른 백본 순차 추천기에 일반 플러그인 모듈로 통합할 수 있는가?
• RQ2 다양한 데이터셋에서 강력한 베이스라인에 비해 심리적 동기 변화 모델링이 추천 성능을 향상시키는가?
• RQ3 주요 구성요소(PMSID, PMSIM, PMI)와 하이퍼파라미터(V, gamma1, gamma2)가 성능에 미치는 영향은 무엇인가?
• RQ4 다양한 백본과 결합했을 때 SRSUPM의 추론 효율성은 어떤가?
• RQ5 라벨 노이즈 및 변화 강도에 대해 SRSUPM이 얼마나 강건한가?

주요 결과

모델	Yelp_R@10	Yelp_R@20	Yelp_N@10	Yelp_N@20	Beauty_R@10	Beauty_R@20	Beauty_N@10	Beauty_N@20	Sports_R@10	Sports_R@20	Sports_N@10	Sports_N@20
GRU4Rec	0.0401	0.0672	0.0197	0.0266	0.0604	0.0867	0.0345	0.0411	0.0320	0.0475	0.0172	0.0214
GRU4Rec +SRSUPM	0.0520	0.0841	0.0238	0.0339	0.0772	0.1009	0.0452	0.0524	0.0388	0.0673	0.0211	0.0273
SASRec	0.0640	0.0908	0.0402	0.0474	0.0860	0.1204	0.0419	0.0513	0.0501	0.0706	0.0234	0.0278
SASRec +SRSUPM	0.0781	0.1132	0.0469	0.0572	0.1042	0.1385	0.0517	0.0625	0.0583	0.0845	0.0292	0.0380
Caser	0.0372	0.0557	0.0186	0.0235	0.0503	0.0778	0.0254	0.0342	0.0292	0.0451	0.0136	0.0176
Caser +SRSUPM	0.0407	0.0636	0.0231	0.0276	0.0591	0.0895	0.0313	0.0394	0.0307	0.0520	0.0159	0.0207
Bert4Rec	0.0368	0.0554	0.0191	0.0247	0.0524	0.0791	0.0322	0.0381	0.0304	0.0468	0.0147	0.0185
Bert4Rec +SRSUPM	0.0411	0.0633	0.0236	0.0285	0.0614	0.0915	0.0359	0.0428	0.0327	0.0539	0.0171	0.0216
LightSANs	0.0645	0.0914	0.0405	0.0479	0.0872	0.1217	0.0443	0.0526	0.0518	0.0720	0.0249	0.0292
LightSANs +SRSUPM	0.0774	0.1095	0.0472	0.0574	0.1035	0.1388	0.0512	0.0619	0.0575	0.0834	0.0282	0.0369

• SRSUPM은 Yelp, Beauty, Sports 데이터셋에서 GRU4Rec, SASRec, Caser, Bert4Rec, LightSANs 등 여러 백본 모델의 성능을 일관되게 향상시킵니다.
• SRSUPM을 도입하면 대부분의 설정에서 최상위 또는 두 번째 최상위 결과를 얻으며, 특히 Beauty 데이터에서 Recall@20 및 NDCG@20에서 상당한 향상을 보입니다.
• 제거 실험에서 PMSID(분해)와 PMSIM(매칭) 둘 다 성능에 기여하며, PMSID가 종종 더 큰 영향을 미칩니다.
• SRSUPM의 추론 오버헤드는 백본에 관계없이 보통 작고 안정적이며, 최근의 변화 인식 및 대조 학습 방법과 비슷한 수준입니다.
• 하이퍼파라미터 분석에서 V를 약 5 근처로 설정하면 데이터의 세분성과 노이즈 사이의 균형이 잘 맞으며 gamma1과 gamma2의 균형 설정에서 의미 있는 이득이 나타납니다.
• 정성 분석은 PMSA가 변화 수준과 일치하며 변화 주도 표현이 동기 수준으로 클러스터링된다는 것을 보여줍니다.

Figure 2: Overview of SRSUPM with SASRec backbone and $V{=}5$ . PMSA assesses the psychological motivation shift level $b{=}4$ between the input sequence and target item using multi-label categories. Shift Information Construction generates $V$ transformation vectors, selects the corresponding shift