본 논문은 사용자의 이질적인 의사결정 스타일과 지식 수준을 고려하지 않는 기존 대화형 추천 시스템(CRS)의 한계를 극복하기 위해, 소비자 유형 모델링을 대화 추천에 통합한 CT-CRS(Consumer Type-Enhanced Conversational Recommender System) 프레임워크를 제안합니다. 소비자 유형 이론에 기반하여 의사결정 스타일(극대화자 vs. 만족자)과 지식 수준(높음 vs. 낮음)의 두 가지 차원으로부터 의존형, 효율형, 신중형, 전문가형의 네 가지 사용자 유형을 정의합니다. CT-CRS는 상호작용 이력을 활용하고 대규모 언어 모델을 미세 조정하여 실시간으로 사용자 유형을 자동으로 추론하며, 정적인 설문지에 의존하지 않습니다. 사용자 유형을 상태 표현에 통합하고, 추천 세분성, 다양성 및 속성 쿼리 복잡성을 동적으로 조정하는 유형 적응형 정책을 설계합니다. 대화 정책을 더욱 최적화하기 위해 역강화 학습(IRL)을 채택하여, 에이전트가 소비자 유형을 조건으로 전문가와 유사한 전략을 근사하도록 합니다. LastFM, Amazon-Book, Yelp에 대한 실험 결과, CT-CRS는 기존 방식보다 추천 성공률을 높이고 상호작용 턴 수를 줄이는 것을 보여줍니다. 추가 실험을 통해 소비자 유형 모델링과 IRL 모두 성능 향상에 크게 기여함을 확인했습니다. 결론적으로, CT-CRS는 심리적 모델링과 고급 정책 최적화의 통합을 통해 CRS 개인화를 향상시키는 확장 가능하고 해석 가능한 솔루션을 제공합니다.
