ThinkRec: LLM 기반 사고 추천 시스템의 혁신

ThinkRec은 LLM 기반 추천 시스템의 한계를 극복하기 위해 '사고' 과정을 도입한 새로운 프레임워크입니다. 키워드 요약 및 합성 추론 추적을 통해 추론 과정을 투명하게 만들고, 사용자 맞춤형 추천을 제공하여 정확도와 해석 가능성을 크게 향상시킵니다.

최근 대규모 언어 모델(LLM)의 발전은 자연어 생성을 통해 더욱 의미론적으로 풍부한 추천 시스템을 가능하게 했습니다. 하지만 기존의 LLM 기반 추천 시스템(LLM4Rec)은 대부분 'System 1' 방식에 의존하여, 사용자의 클릭 이력과 같은 표면적인 특징에 기반하여 유사한 아이템을 매칭하는 데 그쳤습니다. 이러한 방식은 깊이 있는 행동 분석을 통한 추론이 부족하여, 결과적으로 피상적이고 오류가 발생할 가능성이 높은 추천을 제공하는 한계를 지녔습니다.

Yu Qihang을 비롯한 연구진은 이러한 문제점을 해결하기 위해, ThinkRec이라는 새로운 사고 기반 추천 프레임워크를 제안했습니다. ThinkRec은 LLM4Rec을 'System 1'(직관적 시스템)에서 'System 2'(합리적 시스템)로 전환하는 혁신적인 시도입니다. ThinkRec의 핵심은 **'사고 활성화 메커니즘'**입니다. 이 메커니즘은 아이템 메타데이터에 키워드 요약을 추가하고, 합성 추론 추적을 주입하여 모델이 상호작용 이력 분석, 사용자 선호도 파악, 타겟 아이템 기반 의사결정 등의 해석 가능한 추론 과정을 형성하도록 유도합니다.

더 나아가, 연구진은 **개별 사용자의 잠재적 특징에 기반하여 전문가 모델에 가중치를 동적으로 할당하는 '인스턴스별 전문가 융합 메커니즘'**을 제안했습니다. 이를 통해 ThinkRec은 사용자별로 추론 경로를 조정하여 정확도와 개인 맞춤형 추천의 수준을 높입니다. 실제 데이터셋을 이용한 광범위한 실험 결과, ThinkRec은 추천의 정확도와 해석 가능성을 크게 향상시키는 것으로 나타났습니다. 자세한 내용은 GitHub에서 확인할 수 있습니다.

ThinkRec은 단순한 추천 시스템을 넘어, 사용자의 행동 패턴을 깊이 있게 이해하고, 그 이유를 명확하게 설명할 수 있는 새로운 지평을 열었습니다. 이는 추천 시스템의 투명성과 신뢰성을 높이는 데 크게 기여할 것으로 예상됩니다. 앞으로 LLM 기반 추천 시스템의 발전 방향에 중요한 이정표가 될 것으로 기대됩니다.