사용자 선호의 시간적 변화를 확산(diffusion) 과정에 직접 반영한 생성형 추천 프레임워크 TDPM이 제안됐다. 생성형 추천 시스템(GR, Generative Recommender)은 기존 아이템 ID 대신 의미 인덱스(SID, Semantic Index)를 활용해 추천을 생성하는 새로운 패러다임으로, 최근 확산 모델을 백본으로 삼는 연구들이 등장하고 있다. 그러나 기존 확산 기반 생성형 추천 시스템은 사용자의 전체 상호작용 이력에 동일한 확산 과정을 일률적으로 적용해, 시간에 따라 변화하는 비정상(non-stationary) 선호 분포를 제대로 반영하지 못하는 문제가 있었다.
TDPM은 이 한계를 극복하기 위해 사용자 선호를 두 가지로 분리한다. 장기간에 걸쳐 일관되게 유지되는 기간 선호(period preference)와 최근의 특정 사건에 의해 촉발되는 순간 선호(point preference)로 각각 구분한 뒤, 이를 SID 토큰 단위의 확산 과정에 명시적으로 통합하는 설계를 채택했다. 이 접근법은 확산 모델이 정적인 이력 데이터에서 벗어나 사용자의 실시간 관심 변화에 반응하도록 한다는 점에서 기존 방식과 구분된다.
세 개의 공개 실세계 데이터셋을 대상으로 한 실험에서 TDPM은 최신 기준 모델들 대비 HR@20 지표에서 평균 최대 29.21%, NDCG@20 지표에서 평균 최대 25.45% 개선된 성과를 기록했다. 추가 절제 실험(ablation study)에서도 시간 인식 토큰 확산 방식이 확산 기반 추천 시스템의 성능에 결정적으로 기여함이 확인됐다.
스트리밍, 이커머스 등 사용자 취향이 단기간에 급변하는 플랫폼에서 실시간 선호 변화를 포착하는 문제는 추천 시스템의 핵심 과제 중 하나다. TDPM의 접근법은 시간 정보와 생성형 모델의 결합 가능성을 보여주는 사례로, 개인화 추천 품질 향상에 실질적인 기여가 기대된다.
