본 논문은 대규모 추천 모델에 내재적인 추론 능력을 부여하는 통합 모델인 \name을 제안합니다. 기존의 LLM을 외부 추론 모듈로 활용하는 방식과 달리, \name은 자기회귀 과정에서 추론과 추천을 상호 작용하도록 설계되었습니다. 또한, 추론 능력을 별도의 주석 없이 추천 레이블만으로 학습하는 강화 학습 프레임워크인 RecPO를 제시합니다. 세 개의 데이터셋에서 다양한 기준 모델과 비교 실험을 통해 Hit@5에서 68.67%, NDCG@20에서 45.21%의 상대적 성능 향상을 보였습니다. 코드는 GitHub에서 공개됩니다.
시사점, 한계점
•
시사점:
◦
대규모 추천 모델에 내재적인 추론 능력을 통합하여 추천 성능을 향상시킬 수 있음을 보여줌.
◦
추론 능력 학습을 위한 별도의 주석 없이 추천 레이블만을 활용하는 효율적인 강화 학습 프레임워크 제시.
