세렌디피티 향상을 위한 LLM 활용 다면적 추천 시스템 = Multi-Faceted LLM Recommendation System for Enhancing Serendipity

국문 초록 (Abstract)

기존 추천 시스템은 사용자가 과거에 선호한 아이템과 유사한 상품만을 반복적으로 추천하여, 예상 밖의 관련있는 아이템을 발견하는 세렌디피티(Serendipity)를 제한하고 필터 버블(Filter Bubble) 현상을 야기한다. 이는 기존 추천 시스템의 성능 평가가 지나치게 정확도 중심으로 이루어졌기 때문이며, 정확도와 다양성 간의 상충 관계로 인해 세렌디피티 향상은 추천 시스템 연구 분야의 난제로 인식되어 왔다. 이에 본 연구에서는 아이템 추천 모델과 카테고리 추천 모델을 통합하여 다양한 후보를 선정하고, 두 가지 임베딩 정보를 활용하여 거대 언어 모델(Large Language Model, LLM) 기반 재 순위화를 수행하는 다면적 임베딩 통합 방법론(Multi-Faceted Embedding Integration)을 제안한다. 제안 방법론은 카테고리 선호도에 따라 후보군을 균형있게 구성한 후, 아이템 임베딩과 카테고리 임베딩을 프로젝터를 통해 변환하여 LLM 프롬프트에 주입하고 버벌라이저로 최종 순위를 도출한다. Amazon Toys & Games 데이터셋을 활용한 실험 결과 제안 방법론은 N-다양성 데이터셋에서 Recall@10 기준 LlamaRec 대비 45%, LRURec 대비 56%의 성능 향상을 보였으며, 전체 데이터셋에 대해서도 세렌디피티를 고려한 기존 추천 모델보다 높은 정확도를 나타냈다. 결론적으로 본 연구에서 제안한 다면적 LLM 추천 시스템은 높은 수준의 정확도를 유지하면서도 사용자의 새로운 관심사 발견을 촉진하는 세렌디피티를 확보함을 확인하였으며, 이를 통해 전자상거래 플랫폼의 사용자 경험 개선과 상품 다양성 확보에 기여할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Traditional recommender systems repeatedly recommend only items similar to those users preferred in the past, limiting serendipity—the discovery of unexpectedly relevant items—and causing the filter bubble problem. This stems from the fact that existing recommender systems have been evaluated with an excessive focus on accuracy, and due to the trade-off between accuracy and diversity, enhancing serendipity has been recognized as a challenging problem in recommender systems research. To address this, we propose a Multi-Faceted Embedding Integration methodology that integrates an item recommendation model and a category recommendation model to select diverse candidates, and performs Large Language Model (LLM)-based reranking using two types of embedding information. The proposed methodology first constructs a balanced candidate set according to category preferences, then transforms item embeddings and category embeddings through projectors, injects them into LLM prompts, and derives the final ranking through a verbalizer. Experimental results using the Amazon Toys & Games dataset show that the proposed methodology achieves a 45% performance improvement over LlamaRec and a 56% improvement over LRURec in terms of Recall@10 on the N-diversity dataset, while also demonstrating higher accuracy than existing recommendation models that consider serendipity across the entire dataset. In conclusion, this study confirms that the proposed multi-faceted LLM recommender system maintains high accuracy while securing serendipity that facilitates users' discovery of new interests, and is expected to contribute to improving user experience and securing product diversity on e-commerce platforms.

목차 (Table of Contents)

• 제1장. 서론 1
• 제2장. 관련 연구 5
• 2.1. 추천 시스템 연구 동향 5
• 2.2. 필터 버블을 고려한 추천 시스템 7
• 제3장. 제안 방법론 9
• 3.1. 제안 방법론 개요 9
• 3.2. Candidate Item/Category Retrieval 10
• 3.3. Category-Aware Item Selection 12
• 3.4. Multi-Faceted Embedding Projection 14
• 3.5. Candidate Re-Ranking and Scoring 17
• 제4장. 실험 20
• 4.1. 연구의 요약 20
• 4.2. 데이터 전처리 22
• 4.3. 성능 평가 척도 25
• 4.4. 실험 결과 분석 27
• 제5장. 결론 30
• 본인의 이전 저작물 활용 고지 32
• 참고문헌 33
• Abstract 41