"갖고 싶은 상품만 추천한다" KAIST-네이버, LLM 기반 추천시스템 개발

협업 필터링 기반 추천 시스템 적용
학습속도 253%, 추론속도 171% 향상

최근 온라인쇼핑몰이나 소셜미디어에서 사용자에게 맞는 상품을 추천하는 기술의 정확도를 높이는 연구가 활발히 진행 중이다.  

이 때 추천하는 상품명과 상품설명은 물론 상품과 사용자 간의 상호작용 정보도 추천 정확도에 중요한 역할을 한다. 

예를 들어 사용자 A가 체크무늬 옷을 많이 구매했고, 사용자 B는 체크무늬 옷과 청바지를 많이 구매했을 때, 알고리즘이 사용자 A에게 청바지를 추천한다.

그러나 이 같은 사용자와 상품 간 상호작용 정보는 추천 문제를 학습하지 않은 대형언어모델(LLM)이 추출할 수 없어 대안이 필요했다.

사용자에게 맞는 상품 추천 정확도

KAIST는 산업및시스템공학과 박찬영 교수팀이 네이버와 공동연구로 높은 정확도를 갖는 상품 추천 대형언어모델(LLM) 시스템을 개발했다고 17일 밝혔다.

KAIST 박찬영 교수팀이 개발한 모델. 협업 필터링 모델에서 생성되는 사용자-상품 상호작용 정보와 상품 텍스트 정보를 결합해 대형언어모델에 주입하는 방식. KAIST

공동연구팀은 협업 필터링 기반 추천 시스템(CF-RecSys)이 학습한 사용자 선호정보를 추출, 이를 상품 텍스트와 함께 LLM에 주입했다.

이를 통해 학습속도는 253%, 추론속도는 171% 각각 향상됐고, 이 결과 사용자 소비이력이 제한된 퓨샷(Few-shot)상품dml 추천성능이 20% 높아졌고, 다중-도메인 상품 추천은 42% 향상됐다.

연구팀은 상품명이나 설명 등 텍스트뿐 아니라 비슷한 상품을 소비한 다른 사용자의 정보가 정확한 추천에 중요 역할을 하는 협업 필터링 지식에 주목했다.

특히 연구팀은 이들 정보를 미리 학습한 협업 필터링 기반 추천모델에서 사용자 선호정보를 추출하고 이를 LLM이 이해할 수 있도록 변환하는 경량화 신경망을 도입했다. 

이를 통해 LLM에 추가 학습을 하지 않고도 사용자 선호도를 이해하고 빠른 추론 속도를 구현했다.

박 교수는 “이번 성과는 LLM을 추천 문제에 해결하려는 기존 연구들이 간과한 사용자-상품 상호작용 정보를 전통적 협업 필터링 모델에서 추출해 LLM에 전달하는 새로운 방법”이라며 “이는 대화형 추천시스템이나 개인화 상품정보 생성 등 다양한 고성능 추천서비스를 등장시킬 수 있을 것”이라고 설명했다.

이어“추천 도메인에 국한되지 않고 이미지, 텍스트는 물론 사용자와 상품의 상호작용 정보를 모두 사용하는 진정한 멀티모달 추천방법론으로 발전할 수 있다”고 덧붙였다.

한편 이번 연구는 KAIST 산업및시스템공학과 김세인 박사과정과 전산학부 강홍석 학생이 공동 제1저자로, 네이버 소속 김동현 박사와 양민철 박사가 공동저자로 참여했고, 연구결과는 ‘국제데이터마이닝학회’에서 발표할 예정이다.

대덕특구=이재형 기자 jh@kukinews.com