Who You Are Matters: Bridging Topics and Social Roles via LLM-Enhanced Logical Recommendation
Created by
Haebom
저자
Qing Yu, Xiaobei Wang, Shuchang Liu, Yandong Bai, Xiaoyu Yang, Xueliang Wang, Chang Meng, Shanshan Wu, Hailan Yang, Huihui Xiao, Xiang Li, Fan Yang, Xiaoqiang Feng, Lantao Hu, Han Li, Kun Gai, Lixin Zou
개요
본 논문은 기존 추천 시스템의 한계점인 사용자 특징 및 사회적 역할 고려 부족을 해결하기 위해, 사용자 역할 식별 및 행동 논리 모델링이라는 두 가지 과제를 제시합니다. 대규모 언어 모델(LLM)과 추천 시스템을 통합한 효율적인 프레임워크인 TagCF를 제안하여 이러한 과제를 해결합니다. TagCF는 LLM의 세계 지식과 논리 추론 능력을 활용하여 사용자에 대한 동적이고 표현력 있는 지식을 드러내는 가상 논리 그래프를 생성하고, 사용자 역할을 통해 사용자 행동 논리와 관찰된 사용자 피드백을 정렬하여 사용자 행동에 대한 이해를 개선합니다. 추출된 사용자-아이템 논리 그래프는 다양한 추천 작업에 도움이 되는 일반적인 지식임을 실험적으로 보여주며, 산업 및 여러 공개 데이터셋에서 실험을 통해 검증합니다.
시사점, 한계점
•
시사점:
◦
사용자 특징 및 사회적 역할을 명시적으로 모델링함으로써 추천 시스템의 정확도 향상 가능성 제시.
◦
LLM을 활용하여 사용자에 대한 풍부한 지식을 추출하고 추천 성능 향상.
◦
추출된 사용자-아이템 논리 그래프는 다양한 추천 작업에 적용 가능한 일반적인 지식으로 활용 가능.
◦
TagCF 프레임워크는 효율적이고 실용적인 LLM과 추천 시스템 통합 방식을 제시.
•
한계점:
◦
LLM의 세계 지식에 대한 의존도가 높아, LLM의 성능 및 편향에 영향을 받을 가능성 존재.
