Disentangling Likes and Dislikes in Personalized Generative Explainable Recommendation
Created by
Haebom
저자
Ryotaro Shimizu, Takashi Wada, Yu Wang, Johannes Kruse, Sean O'Brien, Sai HtaungKham, Linxin Song, Yuya Yoshikawa, Yuki Saito, Fugee Tsung, Masayuki Goto, Julian McAuley
개요
본 논문은 설명 가능한 추천 시스템(Explainable Recommendation) 연구에서 기존의 텍스트 유사도 기반 평가 방식의 한계를 지적하고, 사용자의 구매 후 감정(긍정/부정)을 반영하는 새로운 평가 방법과 데이터셋을 제시합니다. 기존 연구들이 예측된 설명과 실제 설명의 텍스트 유사도에만 초점을 맞춘 반면, 본 논문은 사용자가 추천 상품에 대해 실제로 좋아하거나 싫어하는 이유를 정확하게 반영하는지 여부를 중요하게 고려합니다. LLM을 활용하여 사용자의 구매 후 리뷰에서 긍정적 및 부정적 의견을 추출하여 새로운 데이터셋을 구성하고, 생성된 설명이 사용자 감정과 얼마나 잘 일치하는지, 그리고 긍정적/부정적 의견을 정확하게 식별하는지를 평가하는 새로운 방법론을 제안합니다. 여러 최신 모델들을 새로운 데이터셋으로 평가한 결과, 기존 지표에서 높은 성능을 달성했다고 해서 사용자 감정과 잘 일치하는 설명을 생성하는 것은 아님을 보여줍니다. 마지막으로, 사용자의 예측 평점을 모델 입력으로 사용했을 때 감정을 더 잘 반영하는 설명을 생성할 수 있음을 발견했습니다. 데이터셋과 구현 코드는 공개적으로 제공됩니다.
시사점, 한계점
•
시사점:
◦
사용자 감정을 고려한 새로운 설명 가능한 추천 시스템 평가 방식 및 데이터셋 제시.
◦
기존 평가 방식의 한계를 명확히 제시하고, 사용자 감정과의 일치성을 중요한 평가 지표로 강조.
◦
사용자의 예측 평점을 입력으로 활용하는 것이 감정 인식 설명 생성에 효과적임을 실증적으로 보임.