범용 LLM을 이용한 추천 시스템

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.

  1. 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.

  2. 개인화된 추천: LLM은 깊은 언어 이해 능력을 바탕으로 사용자의 세밀한 선호도를 파악할 수 있습니다. 이를 통해, 사용자마다 다양하고 개인화된 추천을 제공할 수 있습니다.

  3. 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 Systems


언어 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 타겟팅


그러나, 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.

6
1개의 답글

👉 이 게시글도 읽어보세요