최근 범용 LLM의 인기가 많아지면서 많은 이커머스 기업들이 LLM과 추천시스템을 결합하는 연구를 활발히 진행중입니다. 관련 논문과 최신 정보를 공유하려고 합니다.
범용 LLM을 활용한 추천시스템을 만들게 되면 다음과 같은 장점이 있습니다.
데이터 독립성: LLM을 활용한 추천 시스템은 행동 데이터가 없어도 사용자에게 추천을 제공할 수 있습니다. 이는 모델이 언어 기반의 패턴을 학습하므로, 사용자의 텍스트 입력만으로도 그의 선호나 의도를 파악할 수 있기 때문입니다.
개인화된 추천: LLM은 깊은 언어 이해 능력을 바탕으로 사용자의 세밀한 선호도를 파악할 수 있습니다. 이를 통해, 사용자마다 다양하고 개인화된 추천을 제공할 수 있습니다.
새로운 관심 유도: LLM은 사용자가 이전에 관심을 보이지 않았던 아이템이나 카테고리에 대해서도 관심을 가질 수 있도록 유도하는 추천을 제공할 수 있습니다. 이는 모델이 다양한 문맥과 관련성을 고려하여 추천을 생성하기 때문입니다.
Leveraging Large Language Models in ConversationalRecommender Systems라는 논문에서는 추천시스템에서 사용자 선호도를 판단하는 데 클릭과 같은 암시적 상호 작용 신호에 의존하는 것은 문제를 해결하기 위해 대화형 추천 시스템(CRS)이 제안되었는데, 이는 사용자가 실시간 다중 턴 대화를 통해 추천에 대한 더 많은 제어를 할 수 있게 해 줍니다.
Leveraging Large Language Models in ConversationalRecommender Systems
알리바바에서 발표한 Generative Pretrained Language Models are Open-Ended Recommender Systems 논문은 추천 시스템의 다양한 작업을 통합적으로 처리할 수 있는 범용 모델, M6-Rec를 제안하고 있습니다. 추천 시스템은 랭킹, 트렌드 예측 등 다양한 작업으로 분화되어 있으며, 각 서비스마다 별도의 추천 시스템을 운영하고 있습니다. 이는 이커머스 쇼핑몰, 유튜브 등 다양한 도메인에서 볼 수 있습니다. 그러나 이 논문은 모든 추천 시스템의 기초가 될 수 있는 범용 모델을 제안합니다. 이 모델은 데이터가 부족한 상황에서도 활용 가능하며, 다양한 도메인 간에도 적용 가능합니다. 이를 위해, 논문은 생성적 사전 훈련 언어 모델인 M6를 기반으로 한 M6-Rec 모델을 개발하였습니다.
Generative Pretrained Language Models are Open-Ended Recommender Systems언어 모델 기반의 범용 유저 임베딩과 이를 활용한 추천시스템 및 광고 타겟팅
이건 논문은 아니고 2023 네이버 deview라는 행사에서 발표된 내용입니다. 범용 인공지능을 활용해 추천 시스템과 광고 타겟팅에서 어떻게 활용될 수 있는지 보여주는 내용입니다.
언어 모델 기반의 범용 유저 임베딩과 이를 활용한 추천시스템 및 광고 타겟팅그러나, 이러한 혁신적인 접근 방식에도 불구하고 몇 가지 고려사항이 있습니다. LLM과 같은 복잡한 모델은 학습과 추론 시간이 길 수 있습니다. 따라서, 실시간 추천이 필요한 시스템에서는 이러한 지연 시간을 고려해야 합니다. 또한, 모델의 크기와 복잡성 때문에 운영 비용도 증가할 수 있습니다.
또한, 사용자의 선호도를 정확하게 파악하고 개인화된 추천을 제공하는 것은 중요하지만, 너무 개인화된 추천은 사용자에게 새로운 경험을 제한할 수 있습니다. 따라서, 개인화와 다양성 사이의 적절한 균형을 찾는 것이 중요합니다.