본 논문은 대화형 추천 시스템(CRSs)의 긴 꼬리 분포 문제를 해결하기 위한 LumiCRS라는 새로운 end-to-end 프레임워크를 제안합니다. 긴 꼬리 분포는 인기 있는 아이템(head)에 편향되어 다양성을 저해하고, 새로운 아이템(tail)의 추천을 어렵게 만드는 문제를 야기합니다. LumiCRS는 세 가지 주요 전략을 통해 이 문제를 해결합니다: (i) Adaptive Comprehensive Focal Loss (ACFL)을 이용하여 head 과적합을 방지하고 인기 편향을 줄이며, (ii) Prototype Learning을 통해 semantic, affective, contextual prototype을 선택하여 body와 tail 표현을 안정화시키고, (iii) GPT-4o 기반의 prototype-guided 대화 증강 모듈을 통해 다양한 long-tail 대화 스니펫을 생성하여 tail sparsity와 분포 이동 문제를 완화합니다. REDIAL과 INSPIRED 벤치마크에서 LumiCRS는 기존 15개의 강력한 기준 모델에 비해 Recall@10과 Tail-Recall@10을 7-15% 향상시켰으며, 사람 평가에서도 유창성, 정보성, long-tail 관련성이 우수한 것으로 나타났습니다.
