PersonaX: A Recommendation Agent Oriented User Modeling Framework for Long Behavior Sequence
Created by
- Haebom
Category
Empty
저자
Yunxiao Shi, Wujiang Xu, Zeqi Zhang, Xing Zi, Qiang Wu, Min Xu
개요
본 논문은 PersonaX라는 에이전트 독립적인 LLM 기반 사용자 모델링 프레임워크를 제안합니다. 기존 LLM 기반 사용자 모델링 방법들은 긴 사용자 생성 콘텐츠(UGC) 처리에 어려움을 겪고, 관련성이나 최신성 기반의 샘플링 전략은 사용자의 다양한 관심사를 무시하여 모델링의 질을 저하시키는 문제점을 가지고 있습니다. PersonaX는 하위 행동 시퀀스(SBS) 선택 및 오프라인 다중 페르소나 생성을 통해 이러한 문제를 해결합니다. 짧고(5개 이하) 대표성이 높은 SBS를 오프라인으로 추출하여 세분화된 텍스트 페르소나를 생성하고 캐싱하여 효율적인 온라인 검색을 가능하게 합니다. AgentCF와 Agent4Rec과의 통합 실험 결과, 3050%의 행동 데이터만 사용하더라도 성능이 311%, 10~50% 향상되는 것을 확인했습니다. PersonaX는 확장성 있는 사용자 모델링을 위한 새로운 기준을 제시합니다.
시사점, 한계점
•
시사점:
◦
LLM 기반 추천 에이전트의 효율성 및 정확성을 크게 향상시킬 수 있는 새로운 프레임워크 제시.
◦
오프라인 전처리 과정을 통해 온라인 추론 속도를 개선.
◦
짧은 시퀀스 길이에도 불구하고, 다양한 사용자 관심사를 효과적으로 포착.
◦
AgentCF 및 Agent4Rec와의 통합 실험을 통해 성능 향상을 검증.
◦
에이전트 독립적인 설계로 다양한 추천 에이전트에 적용 가능.
•
한계점:
◦
SBS 선택 알고리즘의 상세 내용이 부족하여 일반화 가능성에 대한 추가 검증 필요.
◦
특정 추천 에이전트(AgentCF, Agent4Rec)에 대한 실험 결과만 제시되어 다른 에이전트에 대한 일반화 가능성에 대한 추가 연구 필요.
◦
오프라인 전처리 과정의 계산 비용 및 저장 공간 요구사항에 대한 분석 부족.
