추천 시스템을 위한 언어 모델 진화 알고리즘: 벤치마크 및 알고리즘 비교
본 논문에서는 대규모 언어 모델(LLM) 기반 추천 시스템(RS)에서 진화 알고리즘(EA)의 성능을 평가하기 위한 벤치마크 문제 세트인 RSBench를 제안하고, NSGA-II, MOEA/D, IBEA 프레임워크를 기반으로 세 가지 LLM 기반 EA를 개발하여 RSBench 문제 해결 성능을 비교 분석합니다.
MARM: 캐시 증강을 통한 추천 시스템의 미래 향상 - 확장 가능한 복잡성과 메모리 증강을 통한 추천 시스템의 미래 탐구
MARM이라는 새로운 캐시 기반 추천 시스템은 기존 방식보다 적은 계산량으로 사용자의 장기적인 행동을 모델링하여 추천 시스템의 효율성을 크게 향상시킵니다.
건물 제어 및 거주자 상호 작용을 위한 추천 시스템 및 강화 학습: 텍스트 마이닝 기반 과학 문헌 검토 및 미래 적용 분야 고찰
본 논문은 텍스트 마이닝 기법을 활용하여 건물 제어 및 거주자 상호 작용 분야에서 추천 시스템과 강화 학습 적용에 대한 연구 동향을 분석하고, 기존 연구의 한계점과 향후 연구 방향을 제시합니다.
태그 추천을 위한 메트릭 학습: 데이터 희소성 및 콜드 스타트 문제 해결
본 논문에서는 사용자 선호도와 아이템 특징 간의 미묘한 차이를 포착하는 효과적인 거리 또는 유사도 메트릭을 학습하여 기존 추천 시스템의 데이터 희소성 및 콜드 스타트 문제를 해결하고자 메트릭 학습 기반의 새로운 태그 추천 알고리즘을 제안합니다.
소프트맥스 직접 선호도 최적화를 통한 추천 시스템 성능 향상
본 논문에서는 언어 모델 기반 추천 시스템의 성능을 향상시키기 위해 사용자 선호도를 효과적으로 학습하는 새로운 손실 함수인 S-DPO를 제안합니다. S-DPO는 기존 DPO를 확장하여 다중 부정 샘플을 활용하고, 이를 통해 순위 정보를 언어 모델에 효과적으로 주입합니다.
다음 세트 추천을 위한 범용 세트 레벨 최적화 프레임워크
이 연구는 시간적 세트 내 항목 간의 복잡한 의존성과 다양성을 동시에 고려하는, 다음 세트 추천을 위한 새로운 세트 레벨 최적화 프레임워크를 제안합니다.
인문학 역사 연구를 위한 추천 시스템 구현의 과제
본 논문은 디지털 인문학, 특히 역사 연구에서 Monasterium.net과 같은 디지털 아카이브를 위한 추천 시스템 구현에 존재하는 어려움을 분석하고, 이러한 문제를 해결하기 위한 추가 연구 방향을 제시합니다.
GPRec: 심층 추천 시스템을 위한 이중 수준 사용자 모델링
본 논문에서는 사용자 그룹의 공유 패턴과 개별 사용자의 고유한 선호도를 모두 고려하는 새로운 이중 수준 사용자 모델링 접근 방식인 GPRec을 제안하여 심층 추천 시스템(DRS)의 성능을 향상시킵니다.
협업 지식 융합: LLM을 통한 멀티태스크 추천 시스템을 위한 새로운 접근 방식
본 논문에서는 기존 협업 필터링 모델의 강점과 대규모 언어 모델(LLM)의 장점을 결합하여 멀티태스크 추천 시스템의 성능을 향상시키는 새로운 프레임워크인 CKF(Collaborative Knowledge Fusion)를 제안합니다.
FLOW: 추천 에이전트와 사용자 에이전트를 동시에 개선하는 피드백 루프 프레임워크
FLOW는 추천 에이전트와 사용자 에이전트 간의 피드백 루프를 통해 두 에이전트의 성능을 동시에 향상시키는 프레임워크입니다.
© 2024 by Linnk AI