콜드스타트 추천 시스템의 혁신: 프롬프트 튜닝을 활용한 새로운 지평


Jiang 등 연구진은 프롬프트 튜닝 기법을 활용하여 콜드스타트 추천 시스템의 성능을 향상시키는 새로운 모델을 제안했습니다. 고품질 긍정적 피드백(피나클 피드백)과 아이템별 개인화된 프롬프트 네트워크를 통해 기존 모델의 한계를 극복하고, 실제 상용 플랫폼에서도 성공적으로 적용되었습니다.

related iamge

콜드스타트 추천 시스템의 혁신: 프롬프트 튜닝을 활용한 새로운 지평

온라인 추천 시스템에서 콜드스타트 문제는 매우 중요합니다. 새로운 아이템이 성공적으로 자리잡느냐 마느냐는 추천 시스템의 성패를 좌우하기 때문입니다. Jiang 등 연구진(Yuezihan Jiang, Gaode Chen, Wenhan Zhang, Jingchi Wang, Yinjie Jiang, Qi Zhang, Jingjian Lin, Peng Jiang, Kaigui Bian)은 자연어 처리(NLP) 분야에서 탁월한 성능을 보이는 프롬프트 학습 기법을 추천 시스템에 적용하여 이 문제를 해결하는 획기적인 연구를 발표했습니다. 논문 제목은 바로 "Prompt Tuning for Item Cold-start Recommendation" 입니다.

기존의 방법들은 주로 컨텐츠 기반 속성이나 텍스트 설명을 프롬프트로 사용했습니다. 하지만 연구진은 이러한 접근 방식이 콜드스타트 추천에는 최적이 아니라고 주장합니다. 그 이유는 추천 작업과의 의미적 차이와, 기존 아이템들의 긍정적 피드백이 모델에 편향을 유발하기 때문입니다. 이는 콜드스타트 아이템의 추천 정확도를 떨어뜨리는 주요 원인입니다.

연구진은 이 문제를 해결하기 위해 ‘피나클 피드백’ 이라는 고품질의 긍정적 피드백을 프롬프트 정보로 활용하는 새로운 방법을 제안했습니다. 실험 결과, 기존의 컨텐츠 설명보다 피나클 피드백이 의미적 차이를 줄이고 더 효과적인 프롬프트 정보임을 증명했습니다.

또한, 아이템별 개인화된 프롬프트 네트워크를 제시하여 긍정적 피드백의 우세로 인한 모델 편향 문제를 완화했습니다. 4개의 실제 데이터셋을 이용한 광범위한 실험을 통해, 제안된 모델이 기존 최첨단 방법들을 능가하는 우수한 성능을 보였습니다. 더욱 놀라운 것은, 이 모델이 10억 명 사용자 규모의 상용 숏 비디오 플랫폼에 성공적으로 배포되어 콜드스타트 시나리오에서 다양한 상용 지표에서 괄목할 만한 성능 향상을 달성했다는 점입니다.

이 연구는 콜드스타트 문제 해결에 대한 새로운 패러다임을 제시하며, 추천 시스템의 미래를 밝게 비추고 있습니다. 앞으로 이 연구를 기반으로 더욱 발전된 추천 시스템이 개발되어 사용자 경험을 향상시킬 것으로 기대됩니다. 추천 시스템 분야의 혁신적인 발전에 대한 지속적인 관심과 연구가 필요합니다.


*이 기사는 AI가 생성한 내용으로, 일부 정보가 실제와 다를 수 있습니다. 정확한 확인을 위해 추가적인 검증을 권장드립니다.

Reference

[arxiv] Prompt Tuning for Item Cold-start Recommendation

Published:  (Updated: )

Author: Yuezihan Jiang, Gaode Chen, Wenhan Zhang, Jingchi Wang, Yinjie Jiang, Qi Zhang, Jingjian Lin, Peng Jiang, Kaigui Bian

http://arxiv.org/abs/2412.18082v1