༼ つ ◕_◕ ༽つ

Recsys in the Era of LLM

Recommender Systems in the Era of Large Language Models

  • 서베이 논문

LLM+Recsys

  • 딥러닝(CNN, RNN, GNN 등등) 모델들의 한계

    • 자연어 이해, 텍스트를 포함한 복합적인 맥락 이해가 제한적임
    • 특정 과제에 맞춰서 학습되어 일반화 능력이 제한되어 있음
      • 예 - 영화 평점 예측에 맞춰서 학습되어 있지만 특정 설명에 맞춘 상위 k개 영화 추천 수행에는 어려움을 겪음(특정한 시나리오에 집중하여/도메인에 크게 의존해서 개발되기 때문)
    • 여러 추론 단계를 거쳐야 하는 복잡한 다단계 결정 지원에는 어려움을 겪음
      • 예- 여행 계획 추천 (목적지를 기반으로 인기 관광지를 고려하고, 다음 관광지에 해당하는 일정을 마련하고, 사용자 선호도와 비용에 맞춰 추천하기)

  • LLM은 뛰어난 언어 이해와 자연스러운 문장 생성 능력, 그리고 추론 능력을 통해 대화형 방식으로 사용자의 의도를 캐치하고 복잡한 질의를 처리할 수 있게 되었음

    • 기존 딥러닝 기반 추천 모델이 어려워했던 추가적인 자연어 정보(사용자 프로필, 코퍼스 레벨 텍스트, 지식 그래프의 텍스트 정보 등)를 적극 활용가능
    • 지식 범위가 넓고 타 도메인으로 일반화하는 능력이 뛰어나서 다양한 추천 시나리오와 새로운 사용자/아이템에도 대응
    • 특정 태스크 데이터가 적어도 간단한 프롬프트로 작업 수행이 가능

히스토리

  • 초기의 협업 필터링과 콘텐츠 기반 추천
    • CF: 사용자-아이템 행렬의 미완성 부분을 예측 e.g. matrix factorization
    • CB: 주로 인구통계, 아이템 설명 등 텍스트 정보 활용
  • 딥러닝 기반 모델(사용자 행동 시퀀스/패턴을 학습)과의 결합
  • 사전 학습된 언어 모델(Pre-trained Language Model) 사용
    • 트랜스포머 아키텍처 기반의 BERT, GPT등을 사용하여 방대한 양의 텍스트 데이터에 대한 학습을 거친 뒤 텍스트 데이터의 정보를 학습하거나, 사용자 시퀀스를 MLM, Auto-Regressive 방식으로 모델링하여 추천 성능을 개선 (BERT4Rec이 이런 예시)
    • 단, 모델 사이즈가 커질수록 학습∙추론 비용 증가하고 대규모 도메인 데이터가 필요하다는 문제가 있음

Representation Learning

  • 추천은 본질적으로 사용자의 특성을 잘 표현하고, 아이템의 특성을 잘 표현한 다음, 그 둘 사이의 유사도(또는 상호작용 확률) 를 계산하는 문제

  • → 사용자/아이템 표현(representation, 임베딩)을 배우는 것은 추천 시스템의 핵심

  • ID 기반의 임베딩

    • 사용자와 아이템을 고유 정수 ID로 다룸 e.g. user_1234, item_56789
    • LLM 기반 추천 시스템의 초기 단계의 예시 중 하나인 P5 (사전 학습된 T5를 백본으로 이용)는 이런 ID들을 LLM 어휘 내에서 하나의 특수 토큰으로 취급하면서 사용자와 아이템의 상호작용을 포함한 다양한 형식의 데이터들을 자연어 시퀀스로 만들었음(“User 123 watched movie 456 and rated 4 stars”).
    • 문제: 불연속적인 ID이기 때문에 의미를 포함할 수 없고, 특히 사용자-아이템 상호 작용이 극히 드문 경우 추천을 위한 정보를 습득하기가 매우 힘듦
    • 또한 ID 개수가 매우 많으면 어휘 확장으로 인한 계산 비용도 많이 증가

  • 텍스트 정보 기반의 임베딩

    • ID가 아닌 사용자와 아이템의 텍스트 정보(프로필, 설명, 리뷰)를 LLM으로 인코딩
    • 도메인 지식, 제품 스펙, 리뷰 감정 등 ‘맥락 정보’를 자연스럽게 추천 시스템이 배울 수 있음
    • 텍스트 설명이 있다면 처음 보는 유저나 아이템에 대해서도 어느 정도 의미를 파악할 수 있으니 콜드 스타트에도 덜 취약
    • 다만 텍스트가 길거나 품질이 낮으면 임베딩의 품질도 낮아질 수 있고 실시간 대규모 서비스 시에는 추론 단계에서 비용이 문제가 될 수 있음

  • 여기까지는 사실 LLM보다도 위 도식상 PLM 활용에 가까움

    • 사용자/아이템 임베딩에서는 이 주제에서는 상대적으로 BERT 같은 PLM 중심 기법이 더 많이 등장함
    • (특히 실시간, 대규모 서비스 환경에서는 비용 상) PLM 수준의 모델을 효율적으로 돌리는 경우가 많음

Pre-training & Fine-tuning LLM

  • LLM 사전 학습(Pre-training)
    • 일반적으로 모델이 방대한 텍스트 코퍼스(예를 들면 매우 큰 볼륨의 웹 문서들)에서 언어 패턴을 학습하는 단계
    • 2가지 유형 - 일부 단어를 마스킹해서 모델이 이를 잘 맞히도록 학습하는 MLM(Masked Language Model)과 다음 단어를 예측하는 Auto-regressive한 NPT(Next Token Prediction) 방법
    • 보통 MLM은 양방향의 텍스트 문맥을 이해할 수 있고, NPT는 다음에 오는 텍스트를 생성하는 데 강점이 있는 것으로 알려져 있음
    • 예시로는 PTUM(사용자의 클릭, 시청과 같은 행동 시퀀스를 NPT/MLM으로 학습해서 순차 추천에 응용), M6(텍스트+이미지 멀티모달 이커머스 데이터를 NPT/MLM 방식으로 함께 학습) , 앞서 언급된 P5 등

  • 전체 모델 Fine Tuning
    • 성능은 놓지만 수십~수천억의 파라미터를 전부 학습해야 하므로 매우 비싼 계산 비용이 발생하고 실제 환경에서 거의 불가능한 영역인 경우가 많음
  • parameter-efficient fine-tuning(PEFT)
    • 도메인 특화 및 개인화 요구가 강한 추천 시스템에서는 작은 추가 학습만으로 각 태스크에서 성능을 높일 수 있는 PEFT 전략이 실무에서는 유용
    • 대부분의 파라미터를 고정하되 작은 랭크 행렬이나 추가 훈련 가능한 어댑터 레이어만 조정하는 전략으로 큰 모델을 더 적은 자원으로 빠르게 도메인에 최적화
    • 예 - LLaMA 기반 추천 모델을 LoRA를 사용해서 조정한 TallRec이나 LLaRa, LoRA+Adapter 방식을 적용한 LLMRec 등

Prompting LLM

  • ICL(In-context Learning)
    • LLM의 파라미터를 변경하지 않고 프롬프트 내에 입력-출력 예제를 제공하여, 마치 모델이 학습한 것처럼 동작하도록 유도하는 방식
    • . 제공되는 예시의 수에 따라 Few-shot ICL과 Zero-shot ICL로 나눌 수 있음
      • 일반적으로 few-shot이 성능은 더 우수함. 추가적인 문맥 내 예시를 제공함으로써 LLM이 태스크를 더 잘 수행하도록 유도할 수 있기 때문
      • Zeo-shot ICL은 태스크별 추천 데이터셋을 별도로 준비할 필요가 없다는 장점이 있고, 대화형 추천처럼 사용자가 LLM에 명시적인 예제를 제공하지 않는 상황에 적절

  • chain-of-thought 방식의 프롬프트

    • 모델이 추천 결과를 단계적으로 추론하여 논리적으로 설명할 수 있도록 유도하는 방식
    • 예 - “유저의 구매 내역을 보고 단계별로 생각해보자. 먼저, 유저의 high-level intention이 뭘까? 두번째로, 구매한 아이템과 일반적으로 같이 판매되는 아이템은 뭘까? 마지막으로, 쇼핑 의도와 아이템 연관성을 같이 고려해서 선정된 아이템을 추천해 줘.”

  • 프롬프트 튜닝

    • 모델을 직접적으로 변경하지 않으면서도 적은 리스스로 각각의 다운스트림 태스크에서 성능을 극대화할 수 있는 실용적인 방식
    • 직접 텍스트 형태의 프롬프트를 설계해서 고정된 템플릿 형태를 취하는 하드 프롬프트(Hard Prompting) 방식과 학습 가능한 벡터를 추가하여 최적의 프롬프트를 자동으로 찾는 방식의 소프트 프롬프트(Soft Prompting) 방식으로 나누어 볼 수 있음

  • Instruction 튜닝
    • 모델이 모델이 추천 관련 태스크를 더 잘 수행할 수 있도록 다양한 지시문(Instruction)과 입력, 정답 데이터(출력)의 쌍을를 학습하는 방식
    • 프롬프트와 fine-tuning의 성격을 모두 지니고 있다고 할 수 있음
    • 예 - “사용자의 최근 평점 데이터를 기반으로 다음에 볼 영화를 3개 추천하세요.”와 같은 문장과 입력(평점 데이터)과 출력(3개의 영화)을 학습 데이터로 만들어, 모델이 특정 형식의 질의에 자연스럽게 응답할 수 있도록 함
    • 특정 추천 시스템 도메인에 맞춘 맞춤형 프롬프트를 설계할 수 있고, 비교적 적은 데이터로도 유사한 유형의 새로운 질문에도 더 잘 적응하는 학습 효과를 낼 수 있음.

각 유형 별로 좀 메이저한 연구들이잘 요약된 표(그리고 Code Availability까지)로 정리되어 있음 (10p.)


Future Directions

  • Hallucination 해결
    • 생성 결과 후처리(외부 지식 그래프나 신뢰 가능한 DB로 팩트체크, 필터링)
    • 학습 시 거짓 정보 샘플에 대한 패널티 전략 추가
  • 신뢰성과 공정성
    • Fairness Metrics(정량화 지표)를 바탕으로 파인튜닝
    • 개인정보 보호(Privacy)와 함께 투명성을 확보하기 위한 Explainable AI 기법 병행
  • 대화형 및 멀티모달 추천 확장
    • 예) 의류 코디 추천(이미지 분석), 음악 추천(가사∙오디오 텍스트 변환), 여행지 추천(지도+텍스트)
  • 고효율 모델 및 경량화 (On-device)
    • 실 서비스에서 추론 비용과 속도가 매우 중요하므로 LoRA, Adapter, Knowledge Distillation, Quantization 등으로 모델 사이즈나 연산량 축소
    • 모바일∙엣지 디바이스에서도 동작 가능한 ‘Small LLM’ 연구 필요
  • 주석∙피드백 기반 학습
    • ChatGPT의 RLHF(RL from Human Feedback)같이, 실제 사용자 피드백이나 인력 라벨링으로 모델 품질 향상
    • 온라인 러닝 시도로, 사용자 상호작용에 따라 실시간 업데이트
  • 그래프 구조와 LLM의 융합
    • LLM을 그래프 학습에 직접 적용하거나, 그래프에서 추출된 텍스트 시나리오를 프롬프트로 활용
    • e.g. “아이템 A-B-C가 연관되고, 사용자가 A를 좋아하면 B도 좋아할 확률이 높다” 식의 reasoning을 LLM이 자연어로 실행
  • 더 강화된 개인화
    • 개인화 프롬프트(사용자 프로필을 반영한 템플릿), 개인화된 어댑터(PEFT)로 각 사용자에게 특화된 LLM 응답
    • 프라이버시 보호와 개인화의 균형
  • 추천의 설명 가능성과 투명성 - 추천 근거를 텍스트로 제시하는 것은 이미 LLM에게 쉬운 일이지만 환각적 설명의 위험이 있으므로 신뢰 가능한 설명 기법을 도입해 투명성 보장
  • 에이전트형 RecSys
    • LLM에 상태관리, 툴 API 연동, 메모리 저장 기능을 추가해 복합 액션 수행
    • 자율적으로 목표를 설정하고 하위 태스크를 수행해 최적의 추천 전략을 도출

Graph View