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.

Reinforced Latent Reasoning for LLM-based Recommendation

Created by
  • Haebom

저자

Yang Zhang, Wenxin Xu, Xiaoyan Zhao, Wenjie Wang, Fuli Feng, Xiangnan He, Tat-Seng Chua

개요

본 논문은 추천 시스템에서 선호도 추론에 대한 대규모 언어 모델(LLM)의 적용에 초점을 맞추고 있습니다. 기존 방법들은 명시적인 사고 과정(CoT) 데이터를 이용한 미세 조정에 의존하지만, 고품질 CoT 데이터 확보의 어려움과 높은 추론 지연 시간이라는 한계점을 가지고 있습니다. 본 논문에서는 명시적인 CoT 추론 대신 정보 밀도가 높은 압축된 잠재 추론으로 전환하는 대안적인 접근 방식을 제시합니다. 이를 위해, 강화 학습(RL)을 활용하여 CoT 데이터 없이 잠재 추론을 최적화하는 새로운 엔드투엔드 학습 프레임워크인 $\textit{\underline{R}einforced \underline{Latent} \underline{R}easoning for \underline{R}ecommendation}$ (LatentR$^3$)을 제안합니다. LatentR$^3$은 감독 학습을 통한 초기화 단계와 규칙 기반 보상 설계를 통한 RL 학습 단계의 두 단계 전략을 채택하여 효율적인 학습을 달성합니다. 실험 결과, LatentR$^3$은 추론 과정의 직접적인 감독 없이도 효과적인 잠재 추론을 가능하게 하여 다양한 LLM 기반 추천 방법과 통합 시 성능을 크게 향상시키는 것을 보여줍니다.

시사점, 한계점

시사점:
명시적인 CoT 데이터 없이도 LLM 기반 추천 시스템의 성능을 향상시키는 새로운 방법 제시
잠재 추론을 통해 추론 지연 시간을 감소시키는 효율적인 접근 방식 제안
강화 학습 기반의 엔드투엔드 학습 프레임워크인 LatentR$^3$의 효과성 검증
다양한 LLM 기반 추천 방법과의 통합 가능성 제시
한계점:
제안된 방법의 일반화 성능에 대한 추가적인 연구 필요
규칙 기반 보상 설계의 최적화 및 개선 여지 존재
다양한 추천 시스템 환경에서의 성능 평가가 추가적으로 필요할 수 있음
👍