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.

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.
공개된 데이터셋과 구현 코드를 통해 후속 연구의 발전에 기여.
한계점:
LLM을 이용한 감정 추출 과정의 정확성에 대한 검토 필요.
제시된 평가 방식이 모든 유형의 추천 시스템에 적용 가능한지에 대한 추가 연구 필요.
사용자 감정 이외의 다른 요소(예: 설명의 명확성, 간결성)에 대한 고려 부족.
👍