본 논문은 개인화 추천 에이전트의 프롬프트 템플릿에 포함된 사용자 프로필이 의사결정 과정에 미치는 중요한 역할을 강조하며, LLM을 활용한 사용자 프로필 모델링(LLM-UM)의 한계점을 지적합니다. 기존 LLM-UM은 긴 사용자 행동 데이터 처리의 어려움, 부분적인 행동 데이터만 활용으로 인한 사용자 관심사의 불완전한 모델링, 그리고 실시간 처리로 인한 지연 문제를 갖고 있습니다. 이를 해결하기 위해, 본 논문에서는 에이전트와 무관하게 동작하는 LLM-UM 프레임워크인 PersonaX를 제안합니다. PersonaX는 사용자 행동 데이터를 클러스터링하고, 다양성과 대표성을 고려하여 여러 하위 행동 시퀀스를 선택하여 고품질 코어 세트를 구성합니다. 오프라인으로 다양한 사용자 관심사를 포착하는 세분화된 텍스트 기반 페르소나를 생성하고, 온라인 추론 과정에서 프로필 생성 대신 검색을 통해 지연을 줄입니다. 실험 결과, PersonaX는 AgentCF와 Agent4Rec의 성능을 각각 311%, 1050% 향상시켰으며, 기존보다 훨씬 적은(30~50%) 행동 데이터만으로도 우수한 성능을 달성함을 보여줍니다.
