Agentic Recommender System with Hierarchical Belief-State Memory

작성자

Haebom

카테고리

Empty

저자

Xiang Shen, Yuhang Zhou, Yifan Wu, Zhuokai Zhao, Siyu Lin, Lei Huang, Qianqian Zhong, Lizhu Zhang, Benyu Zhang, Xiangjun Fan, Hong Yan

💡 개요

기존 메모리 기반 LLM 추천 시스템은 불안정하거나 일시적인 신호와 안정적인 사용자 선호도를 구분하지 못하는 평면적인 메모리 구조를 사용합니다. 본 연구는 이를 해결하기 위해 MARS (Memory-Augmented Agentic Recommender System)라는 프레임워크를 제안하며, 사용자의 행동 관찰을 계층적으로 추상화하여 사용자 선호도를 효율적으로 추정합니다. MARS는 LLM 기반 플래너가 메모리 생명주기를 관리하여 동적으로 메모리를 업데이트하고, 이를 통해 최첨단 추천 성능을 달성합니다.

🔑 시사점 및 한계

•

계층적 메모리 구조의 중요성: 사용자 선호도를 이벤트, 선호도, 프로필이라는 세 가지 계층으로 분리하여 정보를 더욱 구조적이고 효율적으로 관리할 수 있음을 보여줍니다.

•

동적 메모리 생명주기 관리: LLM 플래너가 추천 시스템의 메모리 생명주기를 상황에 맞게 조절함으로써, 변화하는 사용자 행동에 더욱 효과적으로 대응할 수 있습니다.

•

실험 검증 및 성능 향상: 4개의 InstructRec 벤치마크 도메인에서 기존 최고 성능 대비 HR@1에서 26.4%, NDCG@10에서 10.3%의 평균 성능 향상을 보였으며, 동적 스케줄링을 통해 추가적인 이점을 얻었습니다.

•

한계점: 실제 서비스에 적용하기 위한 확장성 및 실시간 처리 능력에 대한 추가적인 검증이 필요할 수 있습니다. 또한, LLM 플래너의 의사결정 과정에 대한 투명성 확보 및 편향성 관리가 중요합니다.

PDF 보기

Made with Slashpage