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, Ali Montazeralghaem

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 예측 성능을 향상시키는 RAG(Retrieval-Augmented Generation) 기법을 제안합니다. 실험 결과, 현재의 LLM은 MF 모델이 갖는 협업 패턴을 제대로 포착하지 못하지만, RAG 기법을 적용하면 추천 성능이 크게 향상됨을 보여줍니다.

시사점, 한계점

•
시사점:
◦
RAG 기법을 통해 LLM 기반 추천 시스템의 성능을 향상시킬 수 있는 가능성을 제시합니다.
◦
LLM이 협업 필터링을 위한 효과적인 도구가 될 수 있음을 시사하지만, 추가적인 연구가 필요함을 강조합니다.
◦
LLM 기반 추천 시스템 개발을 위한 새로운 방향을 제시합니다.
•
한계점:
◦
현재의 LLM은 MF 모델에 비해 협업 패턴을 효과적으로 포착하지 못합니다.
◦
RAG 기법의 성능 향상은 LLM의 본질적인 한계를 완전히 극복하지 못할 수 있습니다.
◦
더욱 다양하고 대규모의 데이터셋에 대한 실험이 필요합니다.
👍
Made with Slashpage