An LLM-powered Agentic Recommendation System for Connected TV Content Discovery
Author
- Haebom
Category
Empty
저자
Lei Shi, Di Wang, Harry Tran, Helsing Xu, Yuchen Lu, Dhara Ghodasara, Wilson Chaney, Xueting Liao, Jerry Yu, Huayu Ding, Reza Mirghaderi, David Fan, Qi Guo, Chongguang He, Warren Wang, Mingze Gao, Shike Mei, Shuo Tang, Zhe Zhang, Jianming He, Abhishek Kumar, Haotian Wu, Hamed Firooz, Li Li
💡 개요
기존 추천 시스템은 구조화된 사용자 행동 신호에 의존하여 트렌드, 뉴스, 문화 행사 등 다양하고 비정형적인 맥락 정보를 통합하는 데 어려움을 겪습니다. 본 논문은 LLM의 추론 능력을 활용하여 이러한 다양한 신호를 자연스럽게 처리하고 통합하는 LLM 기반의 에이전트형 추천 시스템을 제안합니다. 이 시스템은 LLM의 유연성과 기존 추천 기술의 성능을 결합하여 특히 추론 지연 시간과 같은 실용적인 제약을 극복하는 엔지니어링 접근 방식에 중점을 둡니다.
🔑 시사점 및 한계
•
LLM의 추론 능력을 활용하여 비정형적이고 다양한 맥락 정보를 추천 시스템에 효과적으로 통합할 수 있습니다.
•
LLM 기반 모델의 한계를 극복하기 위해 에이전트형 아키텍처를 통해 전문화된 컴포넌트를 조율하여 각 하위 작업을 가장 적합한 방식으로 처리합니다.
•
LLM의 유연성과 기존 추천 기술의 성능을 결합한 하이브리드 시스템 구축에서 발생하는 실질적인 문제점(특히 추론 지연 시간)을 해결하고, 그 경험과 교훈을 공유합니다.
•
LLM 기반 추천 시스템이 여전히 검색 효율성, 개인화 정확도, 확장성 측면에서 기존 머신러닝 모델보다 성능이 떨어지는 점을 인정하고, 이를 해결하기 위한 추가 연구 및 엔지니어링 노력이 필요합니다.
