순차적 추천시스템의 성능 향상을 위한 LLM 기반 재순위화 기법 제안

• Published in: 한국정보통신학회논문지, 29(4) pp. 449 - 457
• Main Authors: 이지윤, 오하영
• Format: Journal Article
• Language: Korean
• Published: 한국정보통신학회 01.04.2025
• Subjects: 전자/정보통신공학
• ISSN: 2234-4772; 2288-4165

추천 시스템은 다양한 도메인에서 사용자 경험을 향상시키고 비즈니스 성과를 극대화하는 데 중요한 역할을 한다. 본 연구는 순차적 추천 시스템(SASRec, BERT4Rec)을 기반으로 대규모 언어 모델(LLM)을 활용한 재순위화 방법을 제안하여 추천 성능을 향상시키는 데 초점을 맞추었다. 제안된 방법론은 Amazon 리뷰 데이터셋과 뷰티 플랫폼 올리브영 리뷰 데이터를 통해 성능 향상과 실제 비즈니스 환경에서의 효과성을 입증하였다. 또한, 비용 효율성을 고려해 Llama 3.2 1B와 같은 소형 LLM(sLLM)을 활용하고, 생각의 사슬(CoT) 및 지식 전이(knowledge transfer) 기법을 적용하여 sLLM의 재순위화 성능을 최적화하였다. 이를 통해 사용자 행동의 논리적 흐름을 모델링하고 추천 리스트의 품질을 크게 향상시켰다. 본 연구는 비용과 성능의 균형을 유지하면서 LLM 기반 재순위화의 실용성을 다양한 데이터셋에서 검증하여 추천 시스템의 새로운 가능성을 제시한다. 이는 개인화 추천 시스템의 성능 향상과 차세대 설계에 유용한 통찰을 제공한다. Recommendation systems play a crucial role in enhancing user experience and maximizing business performance across various domains. This study proposes a re-ranking method based on sequential recommendation systems (SASRec, BERT4Rec) utilizing large language models (LLMs) to improve recommendation performance. The proposed methodology demonstrates enhanced performance through the Amazon review dataset and verifies its effectiveness in real business environments using beauty platform Olive Young review data. Additionally, to ensure cost efficiency, small LLMs (sLLMs) such as Llama 3.2 1B were employed, and techniques like Chain-of-Thought (CoT) reasoning and knowledge transfer were applied to optimize the re-ranking performance of sLLMs. This approach effectively models the logical flow of user behavior and significantly improves the quality of recommendation lists. By balancing cost and performance, this study validates the practicality of LLM-based re-ranking across diverse datasets, presenting new possibilities for recommendation systems. It provides valuable insights into enhancing personalized recommendation systems and guiding the design of next-generation recommendation systems. KCI Citation Count: 0