核心概念
대규모 언어 모델(LLM)의 방대한 세계 지식과 추론 능력을 활용하여 전통적인 추천 시스템의 사용자 행동 패턴을 효과적으로 통합하는 방법을 제안한다.
要約
이 논문은 대규모 언어 모델(LLM)과 전통적인 순차적 추천 시스템을 통합하는 새로운 프레임워크인 LLaRA를 소개한다.
주요 내용은 다음과 같다:
- 하이브리드 프롬프팅 방법: 아이템의 텍스트 정보와 전통적인 추천 시스템에서 학습된 행동 정보를 결합하여 LLM에 제공한다.
- 커리큘럼 프롬프트 튜닝 전략: 먼저 텍스트 정보만을 이용하는 쉬운 과제로 시작하여, 점진적으로 행동 정보를 포함하는 어려운 과제로 전환한다. 이를 통해 LLM이 추천 메커니즘을 익히고 사용자 행동 지식을 내재화할 수 있다.
실험 결과, LLaRA는 다양한 데이터셋에서 기존 순차적 추천 모델과 LLM 기반 모델을 모두 능가하는 성능을 보였다. 이는 LLaRA가 LLM의 세계 지식과 전통 추천 시스템의 행동 지식을 효과적으로 결합할 수 있음을 보여준다.
統計
이 사용자는 이전에 14, 20, ..., 37번 영화를 시청했습니다.
이 사용자가 다음에 시청할 영화 후보군은 5번, 42번, ..., 20번, ..., 19번 영화입니다.
引用
"LLM의 방대한 세계 지식과 전통 추천 시스템의 행동 지식을 효과적으로 결합하는 것이 중요하다."
"커리큘럼 프롬프트 튜닝 전략을 통해 LLM이 추천 메커니즘을 익히고 사용자 행동 지식을 내재화할 수 있다."