혁신적인 생성형 추천 시스템 GRAM: 암묵적 관계와 풍부한 정보의 완벽 조화

이화여대 연구팀이 개발한 GRAM 모델은 암묵적 아이템 관계와 풍부한 정보를 효과적으로 활용하는 혁신적인 생성형 추천 시스템입니다. 의미론적-어휘적 변환과 다중 입자 후기 융합 기술을 통해 기존 모델들을 능가하는 성능을 달성하였으며, 추천 시스템 분야에 새로운 가능성을 제시합니다.

최근 생성형 추천 시스템이 뜨거운 감자로 떠오르고 있습니다. 대규모 언어 모델(LLM)의 방대한 지식을 활용하여 추천을 텍스트 생성 작업으로 전환하는 이 시스템은, 기존 방식의 한계를 뛰어넘는 잠재력을 지녔습니다. 하지만 기존 연구들은 암묵적인 아이템 관계를 제대로 반영하지 못하고, 풍부하지만 길이가 긴 아이템 정보를 효과적으로 활용하는 데 어려움을 겪어왔습니다.

이러한 문제를 해결하기 위해 이화여대 연구팀(이선경, 최민진, 최은성, 김혜영, 이종욱 교수)이 개발한 GRAM (Generative Recommender via semantic-Aware Multi-granular late fusion) 모델이 등장했습니다. GRAM은 두 가지 혁신적인 기술을 통해 기존 시스템의 한계를 극복합니다.

첫 번째 혁신: 의미론적-어휘적 변환 (semantic-to-lexical translation) 입니다. 이 기술은 암묵적인 계층적 및 협업적 아이템 관계를 LLM의 어휘 공간에 효과적으로 인코딩합니다. 이는 마치 아이템들 사이의 복잡한 관계를 LLM이 이해하기 쉬운 언어로 번역하는 것과 같습니다.

두 번째 혁신: 다중 입자 후기 융합 (multi-granular late fusion) 입니다. 다양한 수준의 정보를 가진 여러 개의 프롬프트를 별도로 처리하여, 정보 손실을 최소화하면서 풍부한 의미를 효율적으로 통합합니다. 이는 마치 여러 조각의 퍼즐을 각각 완성한 후에 하나의 완벽한 그림으로 합치는 것과 같습니다. 디코딩 단계까지 융합을 지연시켜 최적의 결과를 얻는 전략입니다.

연구팀은 네 개의 벤치마크 데이터셋을 이용한 실험을 통해 GRAM의 우수성을 입증했습니다. GRAM은 기존 최첨단 생성형 추천 모델 8개를 능가하며, Recall@5에서 11.516.0%, NDCG@5에서 5.313.6%의 괄목할 만한 성능 향상을 달성했습니다. 이는 GRAM이 단순한 개선을 넘어, 생성형 추천 시스템 분야에 혁신적인 발전을 가져올 가능성을 보여주는 결과입니다. 소스 코드는 GitHub에서 확인할 수 있습니다.

GRAM의 등장은 추천 시스템의 미래를 더욱 밝게 만들어줄 것입니다. 더욱 정교하고 개인화된 추천을 통해 사용자 경험을 향상시키고, 다양한 분야에서의 활용 가능성을 확장할 것으로 기대됩니다.