Core Concepts
대규모 언어 모델을 활용한 추천 시스템의 수명 주기 순차 행동 이해를 위한 검색 강화형 대규모 언어 모델
Abstract
대규모 언어 모델(Large Language Models, LLMs)이 자연어 처리 분야에서 혁신적인 성과를 거두면서, 추천 시스템에 대한 관심이 높아지고 있음.
논문에서는 LLMs를 제로샷 및 퓨샷 추천 작업에 적응하고 강화하는 것에 초점을 맞추고 있음.
LLMs가 추천 도메인에서 장기 사용자 행동 시퀀스의 텍스트 콘텍스트에서 유용한 정보를 추출하지 못하는 문제를 식별하고 해결하기 위해 새로운 프레임워크인 ReLLa를 제안함.
ReLLa는 검색 강화형 사용자 행동 검색(SUBR) 및 검색 강화형 지시 튜닝(ReiT)을 수행하여 제로샷 및 퓨샷 추천 작업의 성능을 향상시킴.
ReLLa는 기존 기준 모델에 비해 우수성을 입증하기 위해 세 가지 실제 데이터셋에서 광범위한 실험을 수행함.
Stats
LLMs가 추천 도메인에서 장기 사용자 행동 시퀀스의 텍스트 콘텍스트에서 유용한 정보를 추출하지 못하는 문제를 식별하고 해결하기 위해 새로운 프레임워크인 ReLLa를 제안함.
Quotes
"With only less than 10% training samples, few-shot ReLLa can outperform traditional CTR models that are trained on the entire training set."
"ReLLa manages to mitigate the incomprehension problem of LLMs on recommendation tasks with long user behavior sequences."