본 논문은 산업용 추천 시스템의 동질적인 콘텐츠 강화, 필터 버블 효과, 사용자 만족도 저하 문제를 해결하기 위해 대규모 언어 모델(LLM)을 활용한 새로운 추천 방법을 제안한다. LLM의 광범위한 지식과 추론 능력을 활용하여 사용자 지식 그래프를 동적으로 생성하고, 이를 기반으로 사용자의 잠재적 관심사를 파악하여 추천의 다양성(serendipity)을 향상시킨다. 이는 LLM을 이용한 2단계 프레임워크로 구성되는데, 첫 번째 단계는 사용자의 정적 프로필과 이력을 활용하여 2단계 추론을 통해 사용자 지식 그래프를 동적으로 생성하고 잠재적 관심사를 식별하는 것이고, 두 번째 단계는 비용 효율적인 방식으로 상기 모델을 산업용 추천 시스템에 배포하는 근실시간 적응(Near-line adaptation)이다. u2i (user-to-item) 검색 모델에 i2i (item-to-item) 검색 기능을 통합하여 사용자의 새롭게 등장한 관심사와 관련된 항목뿐 아니라 기존 u2i 검색의 높은 전환율을 유지하는 항목을 검색한다. Dewu 앱에서의 실험 결과, 노출 신규성 비율 4.62%, 클릭 신규성 비율 4.85%, 1인당 평균 시청 시간 0.15%, 고유 방문자 클릭률 0.07%, 고유 방문자 상호 작용 침투율 0.30% 증가 등 사용자 경험 향상 효과를 확인했다.
