Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Bridging the Gap: Self-Optimized Fine-Tuning for LLM-based Recommender Systems

Created by
  • Haebom

저자

Heng Tang, Feng Liu, Xinbo Chen, Jiawei Chen, Bohao Wang, Changwang Zhang, Jun Wang, Yuegang Sun, Bingde Hu, Can Wang

개요

본 논문은 대규모 언어 모델(LLM)을 추천 시스템(RS)에 적용하는 두 가지 기존 전략인 "Guidance-Only"와 "Tuning-Only" 전략의 한계를 지적하며, 이를 극복하기 위한 새로운 방법인 자기 최적화 미세 조정(SOFT)을 제안합니다. SOFT는 커리큘럼 학습의 개념을 도입하여, 먼저 미세 조정된 LLM에서 쉬운 학습 데이터를 생성하고, 이를 통해 LLM이 점진적으로 간단한 데이터(자기 증류 데이터)에서 더 어려운 데이터(실제 RS 데이터)로 학습하도록 합니다. 실험 결과, SOFT는 LLM 기반 추천 방법의 정확도를 평균 37.59% 향상시키는 것으로 나타났습니다.

시사점, 한계점

•
시사점:
◦
LLM 기반 추천 시스템의 성능을 크게 향상시키는 새로운 방법(SOFT) 제시.
◦
커리큘럼 학습을 LLM 기반 추천 시스템에 적용하여 효과를 검증.
◦
자기 증류를 통해 효율적인 학습 데이터 생성 방안 제시.
◦
평균 37.59%의 정확도 향상이라는 실험적 성과 달성.
•
한계점:
◦
제안된 방법의 일반화 성능에 대한 추가적인 연구 필요.
◦
다양한 LLM 아키텍처와 추천 시스템 데이터셋에 대한 실험적 검증 필요.
◦
자기 증류 과정의 효율성 및 최적화에 대한 심층적인 분석 필요.
◦
코드 공개는 되었으나, 실제 구현 및 적용의 복잡성에 대한 고려 필요.
👍
Made with Slashpage