Core Concepts
LAPS 방법을 통해 대규모 다중 세션 사용자 선호도 대화 데이터를 수집할 수 있으며, 이를 활용하여 사용자 선호도를 효과적으로 활용한 개인화된 추천을 제공할 수 있다.
Abstract
이 연구는 대화형 에이전트의 개인화를 위해 대규모 다중 세션 대화 데이터를 수집하는 LAPS 방법을 제안한다. LAPS는 LLM을 활용하여 단일 작업자가 개인화된 대화를 생성할 수 있도록 지원한다. 이를 통해 기존 방법들의 한계를 극복하고 대규모 인간 작성 다중 세션 대화 데이터를 수집할 수 있다.
LAPS 데이터셋 분석 결과, LAPS로 수집된 대화는 전문가가 작성한 대화와 유사한 수준의 다양성과 품질을 보인다. 또한 LAPS는 LLM만으로 생성한 대화보다 더 다양한 대화를 생성할 수 있다.
LAPS로 수집된 데이터를 활용하여 사용자 선호도 추출 모델을 학습하고, 이를 통해 생성된 선호도 메모리를 활용한 개인화된 추천 방법을 제안했다. 실험 결과, 선호도 메모리를 활용한 추천이 대화 기록만을 활용한 추천보다 사용자 선호도를 더 효과적으로 반영할 수 있음을 보였다.
Stats
사용자 선호도를 반영한 추천 방법이 대화 기록만을 활용한 추천보다 사용자 선호도를 더 잘 반영할 수 있다.
선호도 메모리를 활용하면 LLM이 사용자 선호도를 더 잘 기억할 수 있다.