본 연구는 리뷰 텍스트 정보를 추천 시스템에 통합할 때의 효과를 분석했어요. 행렬 분해 방식에 세 가지 강화 전략을 적용하여 텍스트 정보의 기여도를 체계적으로 조사했어요. 실험 결과, 텍스트 정보는 적응적 융합 메커니즘을 사용해도 협업 기반 신호에 비해 기여도가 제한적이라는 것을 확인했어요.
첫 번째로, 학습 가능한 게이팅 메커니즘을 제안하여 훈련 과정에서 협업 신호와 텍스트 신호의 균형을 맞췄어요. 두 번째로, 사용자 및 아이템 기록에서 추출한 주제 프로필과 리뷰에서 파생된 전체 텍스트 임베딩 표현을 활용했어요. 세 번째로, 텍스트 표현의 가장 중요한 차원을 식별하고 협업 요소와 융합하기 위해 크로스 어텐션 메커니즘을 탐색했어요.
다섯 가지 변형 모델을 평가한 결과, 적응적 융합 메커니즘은 표현의 유연성을 향상시키지만, 텍스트 신호의 한계는 여전했어요. 이는 일반적인 평점 예측 환경에서 협업 정보가 여전히 성능을 지배한다는 것을 시사하며, 의미 있는 리뷰 신호를 추천 모델에 효과적으로 통합하기 위한 고려 사항을 제시해요.
본 연구는 리뷰 텍스트 정보가 추천 시스템 성능에 미치는 영향에 대한 중요한 통찰력을 제공하며, 향후 연구 방향을 제시해요.