몰라(Molar): 협업 필터링을 통한 다중 모달리티 LLM 기반의 차세대 추천 시스템


중국과학원 연구팀이 개발한 Molar는 다중 모달리티와 협업 필터링을 결합한 혁신적인 시퀀셜 추천 시스템으로, 기존 LLM 기반 시스템의 한계를 극복하고 정확도를 크게 향상시켰습니다. MLLM을 활용하여 다양한 데이터를 통합하고 사용자 맞춤형 추천을 제공하며, 향후 추천 시스템 발전에 중요한 이정표를 제시합니다.

related iamge

몰라(Molar): 추천 시스템의 혁명을 예고하다

최근 급성장하는 시퀀셜 추천(SR) 시스템 분야에서, 중국과학원(CAS)의 연구팀이 놀라운 성과를 발표했습니다. Luo Yucong 박사를 비롯한 7명의 연구진이 개발한 **'몰라(Molar)'**는 다중 모달리티를 활용한 대규모 언어 모델(LLM) 기반의 시퀀셜 추천 프레임워크로, 기존 시스템의 한계를 뛰어넘는 혁신적인 기술을 선보였습니다.

기존 LLM의 한계를 넘어서다

기존의 LLM 기반 추천 시스템은 주로 텍스트 데이터에 의존하여 다른 유형의 정보(이미지, 비디오 등)를 고려하지 못하는 한계를 가지고 있었습니다. 이는 추천의 정확성을 저해하는 중요한 요인이었습니다. 몰라는 이러한 문제점을 해결하기 위해 다중 모달리티(Multimodal) 접근 방식을 채택, 텍스트뿐만 아니라 이미지나 다른 유형의 데이터를 통합하여 사용자의 선호도를 더욱 정교하게 파악합니다.

협업 필터링의 만남: 개인화의 완성

몰라의 가장 큰 특징은 협업 필터링(Collaborative Filtering) 정보를 통합했다는 점입니다. LLM은 사용자의 개별 선호도를 파악하는 데 탁월하지만, 다른 사용자와의 상호작용 데이터를 활용하는 협업 필터링의 장점을 결합함으로써 더욱 정확하고 개인화된 추천을 제공합니다. 이는 마치 개인의 취향과 대중적인 인기를 동시에 고려하는, 최상의 추천 시스템을 구현하는 셈입니다. 연구팀은 사용자 표현(user representations) 을 콘텐츠 기반 및 ID 기반 모델에서 정렬하는 후처리 메커니즘을 통해 이러한 통합을 실현했습니다.

MLLM의 활약: 풍부한 아이템 표현

몰라는 다중 모달리티 LLM(MLLM) 을 사용하여 텍스트 및 비텍스트 데이터로부터 통합된 아이템 표현을 생성합니다. 이를 통해 아이템에 대한 풍부하고 다각적인 정보를 포착, 더욱 정확한 추천을 가능하게 합니다. 이는 마치 다양한 측면에서 아이템을 심도 있게 이해하고, 사용자에게 가장 적합한 아이템을 제시하는 것과 같습니다.

놀라운 성과: 실험으로 입증된 우수성

광범위한 실험 결과, 몰라는 기존의 LLM 기반 추천 시스템 및 전통적인 추천 시스템을 압도적으로 능가하는 성능을 보였습니다. 이 연구는 다중 모달리티 데이터와 협업 필터링 신호의 효과적인 활용을 통해 시퀀셜 추천의 정확도를 획기적으로 향상시킬 수 있음을 명확히 보여줍니다. 소스 코드는 https://anonymous.4open.science/r/Molar-8B06/에서 확인할 수 있습니다.

미래를 향한 발걸음

몰라의 등장은 시퀀셜 추천 시스템 분야에 새로운 지평을 열었습니다. 다중 모달리티와 협업 필터링을 결합한 혁신적인 접근 방식은 향후 추천 시스템의 발전 방향을 제시하며, 더욱 정확하고 개인화된 추천 경험을 제공할 것으로 기대됩니다. 이러한 기술의 발전은 우리의 삶을 더욱 풍요롭게 만들어줄 것입니다.


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

Reference

[arxiv] Molar: Multimodal LLMs with Collaborative Filtering Alignment for Enhanced Sequential Recommendation

Published:  (Updated: )

Author: Yucong Luo, Qitao Qin, Hao Zhang, Mingyue Cheng, Ruiran Yan, Kefan Wang, Jie Ouyang

http://arxiv.org/abs/2412.18176v1