Reasoning-guided Collaborative Filtering with Language Models for Explainable Recommendation

Created by

Haebom

저자

Fahad Anwaar, Adil Mehmood Khan, Muhammad Khalid, Usman Zia, Kezhi Wang

💡 개요

본 논문은 설명 가능한 추천 시스템을 위해 협업 필터링(CF) 신호를 통합하는 데 있어 기존 대규모 언어 모델(LLM)의 한계를 극복하고자 합니다. 제안된 RGCF-XRec 프레임워크는 추론 기반 CF 지식을 LLM에 주입하여 단일 단계에서 설명 가능한 순차 추천을 제공하며, 이는 협업 및 의미론적 신호를 통합하는 표현 학습 네트워크를 통해 이루어집니다.

🔑 시사점 및 한계

•

협업 신호 통합을 통한 설명력 강화: LLM에 협업 필터링 지식을 추론 기반으로 통합함으로써, 사용자 잠재 선호도를 발견하고 해석 가능한 추론 경로를 제시하여 추천 설명의 질을 높입니다.

•

효율적이고 견고한 설명 생성: 네 가지 차원(일관성, 완전성, 관련성, 일치성)에 기반한 효율적인 점수 메커니즘을 통해 노이즈가 많은 CF 추론 흔적을 완화하고 고품질의 설명을 유지합니다.

•

데이터셋에서의 뛰어난 성능 및 일반화 능력: 다양한 Amazon 데이터셋에서 HR@10, ROUGE-L 등 주요 지표에서 상당한 성능 향상을 보였으며, 콜드 스타트 및 웜 스타트 시나리오 모두에서 성능 격차를 줄이고 제로샷 성능을 향상시켰습니다.

•

실용적인 확장성을 위한 효율적인 모델 구조: 경량 LLaMA 3.2-3B 백본을 사용하여 훈련 효율성을 높였으며, 이는 실제 애플리케이션에 대한 확장성을 보장합니다.

•

한계점 또는 향후 과제: 제안된 모델이 복잡한 사용자 행동 패턴이나 새로운 항목에 대한 추천에서 어느 정도의 성능을 보일지에 대한 추가적인 탐구가 필요할 수 있으며, 다양한 도메인으로의 확장성 및 적용 가능성 검증 또한 향후 과제로 볼 수 있습니다.

PDF 보기

Made with Slashpage