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.

Hard vs. Noise: Resolving Hard-Noisy Sample Confusion in Recommender Systems via Large Language Models

Created by
  • Haebom
Category
Empty

저자

Tianrui Song, Wen-Shuo Chao, Hao Liu

개요

본 논문은 추천 시스템 훈련 시 암묵적 피드백에 존재하는 노이즈 문제를 해결하기 위해, 대규모 언어 모델(LLM)이 생성한 보조 사용자-아이템 관련성 신호를 활용하는 LLMHNI 프레임워크를 제안한다. LLM을 통해 하드 샘플과 노이즈 샘플을 구별하고, 하드 네거티브 샘플 선택 및 노이즈 샘플 필터링에 활용한다. 또한 LLM이 추론한 사용자-아이템 상호작용을 통해 하드 샘플과 노이즈 샘플을 식별하고, 교차 그래프 대조 학습을 통해 노이즈 영향을 제거한다.

시사점, 한계점

•
시사점:
◦
LLM을 활용하여 추천 시스템의 노이즈 문제를 해결하는 새로운 프레임워크 제시.
◦
하드 샘플과 노이즈 샘플의 구분을 통해 추천 성능 향상.
◦
LLM-encoded 임베딩과 상호작용 그래프를 활용한 효율적인 노이즈 제거 전략.
◦
실험 결과로 방법론의 효과 입증.
•
한계점:
◦
LLM의 성능에 의존하므로 LLM의 한계가 프레임워크 성능에 영향을 줄 수 있음.
◦
LLM 추론의 환각(hallucination) 문제에 대한 추가적인 연구 필요.
◦
제안된 방법론의 계산 복잡성 및 실제 시스템 적용 가능성에 대한 추가 분석 필요.
👍
Made with Slashpage