사용자/항목 선호 정보 증강을 통한 대화형 추천 시스템 성능 개선

국문 초록 (Abstract)

대화형 추천시스템은 사용자와의 상호작용을 통해 취향을 파악하고, 맞춤형 항목을 추천하는 것을 목표로 한다. 최근 거대언어모델(LLM)의 발전으로 대화 속 잠재적 선호를 효과적으로 추론할 수 있게 되었으나, 불필요한 정보가 포함되면서 의도치 않은 추천으로 이어질 수 있다. 본 연구는 LLM의 추론 경로를 구축하고 표면적 문맥을 넘어 잠재적 선호 정보를 포착하는 대화형 추천 프레임워크 RNCRS(Reasoning paths and Neighbor enhanced CRS)를 제안한다. 제안 방법은 (1) 항목 추론 경로를 활용하여 다면적 항목 특성을 반영하고, (2) 협업 지식을 활용하여 이웃 사용자의 집단적 선호 패턴을 반영하며, (3) 대화-항목 간 직접적인 콘텐츠 유사도로 추론 경로에서 누락될 수 있는 명시적 선호를 보완함으로써, 학습 없이도 강건한 추천을 가능하게 한다. 실험 결과, 본 방법은 기존 모델 대비 Recall@50 기준 최대 12.7%의 성능 향상을 기록하였다.

다국어 초록 (Multilingual Abstract)

Abstract Conversational recommendation systems seek to understand user preferences through interaction, providing personalized item suggestions. Recent advancements in large language models (LLMs) have improved the ability to infer latent preferences from conversations; however, including superfluous information can result in unintended recommendations. This study introduces RNCRS (Reasoning paths and Neighbor enhanced CRS), a conversational recommendation framework that develops reasoning paths for LLMs and captures latent preference information beyond surface-level context. The proposed method enables robust recommendations without requiring additional training by (1) utilizing item reasoning paths to represent multifaceted item characteristics, (2) leveraging collaborative knowledge to reflect the collective preference patterns of neighboring users, and (3) complementing explicit preferences that may be overlooked in reasoning paths through direct content similarity between conversations and items. Experimental results demonstrate that the proposed method achieves up to 12.7% improvement in performance over existing models based on Recall@50.

목차 (Table of Contents)

• 1. 서론 1
• 2. 관련 연구 6
• 2.1 대화형 추천시스템 6
• 2.2 선호 기반 대화형 추천시스템 7
• 3. 제안 방법 8
• 3.1 문제 정의 9
• 3.2 추론 경로 구축 9
• 3.3 다각적 유사도 산출 11
• 3.4 유사도 결합 13
• 4. 실험 설정 15
• 4.1 데이터셋 및 평가 15
• 4.2 비교 모델 15
• 4.3 구현 세부 사항 17
• 5. 실험 결과 18
• 5.1 전반적인 성능 분석 18
• 5.2 요소 제거 실험 분석 19
• 5.3 이웃 수에 따른 성능 분석 20
• 5.4 사례 분석 21
• 5.5 임베딩 모델에 따른 성능 분석 22
• 5.6 최신 영화 데이터에서의 성능 분석 23
• 6. 결론 25
• 참고문헌 26
• 부록 30