본 논문에서는 대규모 언어 모델(LLM)을 이용한 개인화 추천 시스템의 발전을 위해, 기존 방법들의 다중 관점 그래프 구조 상관관계 탐색 부족 문제를 해결하는 새로운 프레임워크인 HeLLM(Hypergraph Enhanced LLM Learning for multimodal Recommendation)을 제안합니다. HeLLM은 그래프 수준의 문맥 신호와 시퀀스 수준의 행동 패턴을 융합하여 복잡한 고차원 의미 상관관계를 포착하는 능력을 LLM에 부여합니다. 사용자 초그래프와 아이템 초그래프를 설계하여 사용자 간 공유 관심사와 아이템 간 다중 모달 유사성 상관관계를 밝히고, 초그래프 합성곱과 상승적 대조 학습 메커니즘을 도입하여 학습된 표현의 구별력을 높입니다. LLM 미세 조정 단계에서는 학습된 그래프 구조 임베딩을 LLM 아키텍처에 직접 주입하고 각 사용자의 시간적 행동을 포착하는 시퀀셜 특징을 통합합니다. 이를 통해 초그래프는 그래프 구조 정보를 전역적 문맥으로 활용하여 LLM의 복잡한 관계 패턴 인식 및 다중 모달 정보 통합 능력을 향상시키는 동시에 지역적 시간 역학을 모델링합니다. 광범위한 실험을 통해 제안된 방법이 최첨단 기준 모델보다 우수함을 보여주어, LLM 추천에서 초그래프 기반 문맥과 시퀀셜 사용자 행동의 융합의 이점을 확인했습니다.
시사점, 한계점
•
시사점:
◦
LLM 기반 추천 시스템에서 다중 관점 그래프 구조 상관관계를 효과적으로 활용하는 새로운 방법 제시.
