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.

What LLMs Miss in Recommendations: Bridging the Gap with Retrieval-Augmented Collaborative Signals

Created by
  • Haebom

저자

Shahrooz Pouryousef

개요

본 논문은 대규모 언어 모델(LLM)이 사용자-아이템 상호작용 데이터를 활용하여 추천 시스템에서 효과적으로 협업 필터링을 수행할 수 있는지 여부를 조사합니다. 기존의 행렬 분해(MF) 모델과 LLM을 비교 분석하고, 구조화된 상호작용 데이터를 활용하여 LLM의 성능을 향상시키는 검색 증강 생성(RAG) 기법을 제시합니다. 실험 결과, 기존 LLM은 MF 모델이 포착하는 협업 패턴을 효과적으로 학습하지 못하지만, RAG 기반 접근 방식을 통해 추천 성능이 크게 향상됨을 보여줍니다.

시사점, 한계점

•
시사점:
◦
LLM 기반 추천 시스템의 가능성을 보여줌.
◦
RAG 기법을 통해 LLM의 추천 성능을 향상시킬 수 있음을 제시.
◦
LLM이 협업 필터링을 효과적으로 수행하기 위한 추가 연구의 필요성을 강조.
•
한계점:
◦
현재 LLM은 MF 모델의 협업 패턴을 효과적으로 학습하지 못함.
◦
RAG 기법의 효과는 데이터셋 및 LLM의 종류에 따라 달라질 수 있음.
◦
RAG 기법을 포함하더라도 LLM 기반 추천 시스템의 성능이 MF 모델을 항상 능가하는 것은 아님.
👍
Made with Slashpage