Enhancing Time Awareness in Generative Recommendation

21 Nov 2025 

본 문서에서는 EMNLP 2025 Findings에 게재된 “Enhancing Time Awareness in Generative Recommendation”을 소개합니다. 논문의 상세 정보는 아래와 같습니다.

• Title:Enhancing Time Awareness in Generative Recommendation

• Authors: Sunkyung Lee, Seongmin Park, Jonghyo Kim, Mincheol Yoon, Jongwuk Lee

• The 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP Findings)

Generative Recommendation

생성 추천(Generative Recommendation)은 사용자의 과거 행동 이력을 바탕으로 다음에 선호할 아이템의 식별자(ID)를 언어 모델이 직접 생성하는 방식입니다. 이 방식은 거대 언어 모델(LLM)의 방대한 지식을 추천에 직접 활용할 수 있다는 장점이 있습니다.

기존 추천 시스템이 주로 사용자와 아이템을 벡터 공간에 임베딩하고 유사도를 계산하는 방식에 집중했다면, 생성 추천은 이 과정을 텍스트 생성 문제로 변환하여 대규모 언어 모델(LLM)이 가진 방대한 지식을 직접 활용할 수 있다는 장점이 있습니다.

Motivation

하지만 기존의 생성 추천 모델들은 '시간의 흐름(Temporal Dynamics)'이라는 중요한 정보를 간과하고 있다는 한계가 있습니다. 기존 생성 추천 모델들은 단순히 아이템이 나열된 '순서(Sequential Order)'에만 집중할 뿐, 아이템 간의 시간 간격이나 구체적인 시점을 고려하지 않습니다.

예를 들어 <그림 2>와 같이, 사용자가 오리 인형과 기린 인형을 구매한 이력이 있다고 가정해 봅시다.

• (a) 기존 모델: 단순히 인형을 구매했던 빈도나 순서에 의존하여, 1년이 지난 시점임에도 불구하고 또 다른 인형(사자 인형)을 추천할 가능성이 높습니다.

• (b) 시간 인식 모델: 사용자가 인형을 구매한 지 '1년'이라는 시간이 지났음을 인지하고, 사용자의 취향이 'LEGO'와 같은 다른 장난감으로 변화했을 가능성을 포착하여 적절한 아이템을 추천할 수 있습니다.

이처럼 시간 정보는 사용자의 변화하는 선호도를 파악하고, 크리스마스나 휴일 같은 계절적 패턴을 인지하는 데 매우 중요한 역할을 합니다. 하지만 시간 정보가 중요하다는 사실을 알면서도, 이를 생성 추천 모델에 효과적으로 녹여내는 것은 결코 쉬운 일이 아닙니다. 단순히 시간 정보를 입력에 추가하는 것을 넘어, 기술적으로 해결해야 할 몇 가지 근본적인 난관이 존재하기 때문입니다.

시간 정보를 생성 추천에 통합하기 위해 저희는 다음 세 가지 문제에 주목했습니다.

첫째, 서로 다른 형태의 시간 신호를 조화롭게 처리해야 합니다. 시간 정보는 '2025년 5월 20일' 같은 절대적 타임스탬프와 '3일 전' 같은 상대적 시간 간격으로 나뉩니다. 이 두 신호가 주는 의미(계절성 vs 최신 선호)가 다르기에 이를 효과적으로 결합해야 합니다.

둘째, 추천 도메인의 특성상, 개인적인 선호 패턴을 넘어서 여러 사용자에 걸쳐 등장하는 집단적 패턴을 포착해야 합니다. 사용자 개인의 선호 변화(User-specific)뿐만 아니라, 전체 사용자들 사이에서 나타나는 아이템 전이 흐름(Item-specific/Global)을 모두 포착해야 합니다. 하지만 기존 생성 추천 모델은 개별 사용자의 텍스트 시퀀스에만 의존하므로 이러한 거시적인 패턴을 반영하기 어렵습니다.

셋째, 복잡한 패턴을 언어적으로 변환하는 문제입니다. 기존에 시간 정보를 활용하던 전통적인 추천 모델들은 그래프 또는 임베딩으로 시간을 처리했지만, 생성 추천에서는 이를 LLM이 이해할 수 있는 자연어 텍스트로 번역해야 합니다. 방대한 시간 관계를 텍스트로 효율적으로 표현하는 것은 생성 추천만의 독특한 과제입니다.

Proposed Method: GRUT 

이러한 한계를 극복하기 위해, 본 연구에서는 GRUT (Generative Recommender Using Time awareness)를 제안합니다. GRUT는 (1) Time-aware Prompting, (2) Context-integrated ID Generation, (3) Trend-aware Inference라는 핵심 요소를 통해 시간 역학을 생성 추천에 효과적으로 통합합니다.

(a) Time-aware Prompting

이 단계는 사용자와 아이템 수준에서 시간 패턴을 포착하여 프롬프트로 변환하는 단계입니다.

• User-level Temporal Context (C_u): 사용자의 개별적인 시간 패턴을 모델링합니다. 현재 시점과 아이템 구매 시점 사이의 '상대적 간격(Target-relative intervals)'을 통해 최신 선호도를 반영하고, '절대적 타임스탬프(Absolute timestamps)'를 통해 계절적 패턴을 학습합니다. 이를 통해 모델이 사용자의 선호도가 얼마나 변화되었는지를 인지할 수 있습니다.

• Item-level Transition Context (C_v): <그림 6>과 같이, 전체 사용자의 행동 패턴을 학습하기 위해 '시간 가중 전이 그래프(Time-weighted transition graph)'를 구축합니다. 최근 발생한 전이 패턴에 더 높은 가중치를 부여하여, "아이템 A를 산 사람들은 최근 아이템 B를 주로 사더라"는 집단지성을 자연어로 변환해 제공합니다.

(b) Context-integrated ID Generation

GRUT는 추출된 시간 맥락(C_u)과 전이 지식(C_v)을 각각 독립적으로 인코딩한 뒤, 디코더 단계에서 통합(Aggregation)하는 구조를 취합니다. 이는 문맥 간의 간섭을 줄이고 각 정보가 목표 아이템 생성에 효과적으로 기여하도록 돕습니다.

(c) Trend-aware Inference 

모델 학습이 끝난 후, 추론 단계에서 실시간 트렌드를 반영하기 위한 기법입니다. 최근 $N$일 동안의 아이템 빈도수를 기반으로 '트렌드 점수(Trend Score)'를 계산하고, 이를 빔 서치(Beam search) 과정에서 생성 확률과 결합합니다. 이를 통해 재학습 없이도 급상승하는 인기 아이템을 추천 결과에 유연하게 반영할 수 있습니다.

Experiments

실험 결과, 제안 모델 GRUT은 아마존(Beauty, Toys, Sports), Yelp 등 4개의 벤치마크 데이터셋에서 기존의 전통적인 추천 모델 및 최신 생성 추천 모델들을 모두 능가하는 최고 수준의 성능을 달성했습니다.

특히 사용자의 마지막 행동과 예측 시점 사이의 간격이 긴(Long interval) 상황에서 GRUT는 기존 모델 대비 월등한 성능 향상을 보였습니다. 이는 GRUT가 시간의 흐름에 따른 사용자의 선호도 변화를 정확하게 포착하고 있음을 의미합니다

Conclusion

본 연구에서는 생성 추천의 핵심 한계인 시간 역학(Temporal Dynamics)의 부재를 해결하기 위해 새로운 모델 GRUT를 제안합니다 . GRUT는 복잡한 시간 정보와 아이템 전이 패턴을 LLM이 이해할 수 있는 자연어로 변환하는 Time-aware Prompting과, 모델의 재학습 없이도 실시간 인기 트렌드를 유연하게 반영하는 Trend-aware Inference를 핵심 방법론으로 제시합니다 . 

다양한 벤치마크 데이터셋을 통한 실험에서 GRUT는 기존의 최신 생성 추천 모델들을 뛰어넘는 최고 수준의 성능을 달성했습니다. 특히, 사용자의 마지막 행동과 예측 시점 사이의 공백이 긴 상황에서도 정교한 프롬프팅을 통해 사용자의 변화된 취향을 정확히 포착하여 추천 정확도를 높였습니다. 이는 시간의 흐름에 따라 사용자 선호가 끊임없이 변화하는 실제 추천 시스템 환경에 매우 적합한 접근법이 될 수 있습니다. 

본 연구가 단순히 아이템의 순서를 학습하는 것을 넘어, 시간의 흐름과 맥락을 깊이 있게 이해하는 차세대 생성 추천 시스템으로 나아가는 데 중요한 기여를 하기를 기대합니다.

코드는 github 에서 확인할 수 있습니다. 전체 논문은 이 곳에서 확인해주세요.