LLM4DSR: Leveraging Large Language Model for Denoising Sequential Recommendation
작성자
- Haebom
카테고리
Empty
저자
Bohao Wang, Feng Liu, Changwang Zhang, Jiawei Chen, Yudi Wu, Sheng Zhou, Xingyu Lou, Jun Wang, Yan Feng, Chun Chen, Can Wang
개요
본 논문은 시퀀셜 추천 시스템에서 노이즈가 포함된 사용자 상호작용 시퀀스를 정제하기 위한 새로운 방법인 LLM4DSR을 제안합니다. 기존의 시퀀셜 추천 시스템은 노이즈 데이터로 인해 성능 저하를 겪는데, LLM4DSR은 사전 훈련된 대규모 언어 모델(LLM)을 활용하여 이 문제를 해결합니다. LLM의 직접적인 적용이 어려운 점을 고려하여, 자기 지도 학습 기반의 파인튜닝과 불확실성 추정 모듈을 통해 노이즈 아이템을 식별하고 대체 아이템을 제안합니다. LLM4DSR은 모델과 무관하게 다양한 추천 모델에 적용 가능하며, 실험 결과 기존 방법보다 우수한 성능을 보입니다.
시사점, 한계점
•
시사점:
◦
LLM을 활용하여 시퀀셜 추천 시스템의 노이즈 문제를 효과적으로 해결하는 새로운 방법 제시.
◦
자기 지도 학습 기반 파인튜닝 및 불확실성 추정 모듈을 통해 LLM의 신뢰성 향상.
◦
모델-애그노스틱 접근 방식으로 다양한 추천 모델에 적용 가능.
◦
기존 방법 대비 우수한 실험 결과를 통해 성능 검증.
•
한계점:
◦
LLM의 할루시네이션 문제가 완전히 해결되지 않았을 가능성.
◦
불확실성 추정 모듈의 성능에 따라 전체 시스템 성능이 영향받을 수 있음.
◦
자기 지도 학습 데이터의 질에 따라 성능이 달라질 수 있음.
