본 논문은 대규모 언어 모델(LLM)을 추천 시스템(RS)에 적용하는 데 있어 사용자의 장기간에 걸친 행동 데이터를 효과적으로 이해하고 활용하는 데 어려움이 있음을 지적합니다. 이를 해결하기 위해, 계층적 트리 탐색 기반의 사용자 평생 행동 모델링 프레임워크인 HiT-LBM을 제안합니다. HiT-LBM은 CUBE(Chunked User Behavior Extraction)와 HTS(Hierarchical Tree Search for Interest) 그리고 TIF(Temporal-Ware Interest Fusion) 세 가지 모듈로 구성됩니다. CUBE는 사용자의 평생 행동을 여러 청크로 나누고 각 청크 내에서 관심사와 그 변화를 계층적으로 학습합니다. HTS는 계층적 확장을 통해 후보 관심사를 생성하고, 프로세스 평가 모델을 사용하여 각 청크에 대한 정보 이득을 극대화하는 최적의 관심사를 탐색합니다. 마지막으로 TIF는 여러 청크에서 추출된 관심사를 통합하여 사용자의 평생 관심사를 포괄적으로 나타내는 표현을 생성하고, 이를 기존 추천 모델에 통합하여 성능을 향상시킵니다. 실험 결과, HiT-LBM이 기존 최첨단 방법들을 능가하는 성능을 보임을 보여줍니다.
