신규 아이템 추천을 위한 LLM 기반 표현 학습

📝 원문 정보

• Title: LLM-Empowered Representation Learning for Emerging Item Recommendation
• ArXiv ID: 2512.10370
• 발행일: 2025-12-11
• 저자: Ziying Zhang, Quanming Yao, Yaqing Wang

📝 초록 (Abstract)

본 연구는 시간이 지남에 따라 상호작용이 서서히 축적되는 신규 아이템을 효과적으로 추천하는 방법을 제시한다. 기존 접근법은 신규 아이템이 거의 혹은 전혀 과거 상호작용이 없다고 가정해 동적 특성을 무시하는 경우가 많다. 이러한 가정은 신규 아이템의 고유성을 유지하면서도 기존 아이템과 공유되는 패턴을 활용해야 하는 현실과 맞지 않는다. 이를 해결하기 위해 우리는 EmerFlow라는 새로운 프레임워크를 설계하였다. EmerFlow는 먼저 대형 언어 모델(LLM)을 활용해 신규 아이템의 원시 특성을 의미론적으로 풍부하게 확장하고, 이를 기존 추천 모델의 임베딩 공간에 정렬한다. 이후 메타러닝을 통해 제한된 상호작용 데이터를 이용해 임베딩을 미세 조정한다. 실험 결과, 영화와 의약품 등 다양한 도메인에서 EmerFlow가 기존 최첨단 방법들을 지속적으로 능가함을 확인하였다.

💡 논문 핵심 해설 (Deep Analysis)

EmerFlow가 제시하는 핵심 아이디어는 “LLM을 통한 의미적 보강 + 메타러닝 기반 미세조정”이라는 두 단계 파이프라인이다. 첫 번째 단계에서 LLM은 텍스트 기반 메타데이터(예: 영화 줄거리, 약품 효능 설명)뿐 아니라 외부 지식 그래프나 최신 연구 논문까지 활용해 신규 아이템의 특성을 다차원적으로 재구성한다. 이 과정에서 LLM은 추론 능력을 동원해 암시적 관계를 드러내고, 기존 아이템과의 잠재적 유사성을 사전 탐색한다. 이렇게 생성된 풍부한 특성 벡터는 기존 추천 시스템이 학습한 임베딩 공간과 정렬(alignment)되는데, 이는 일반적으로 사용자‑아이템 상호작용을 기반으로 학습된 저차원 잠재공간이다. 정렬 과정은 대조 학습(contrastive learning)이나 어댑터 네트워크를 이용해 두 공간 사이의 거리 함수를 최소화함으로써 수행된다.

두 번째 단계에서는 제한된 실제 상호작용 데이터를 활용해 메타러닝 기법, 특히 MAML(Model‑Agnostic Meta‑Learning)과 유사한 알고리즘을 적용한다. 여기서는 “빠른 적응”을 목표로, 소수의 샘플만으로도 임베딩을 효과적으로 업데이트한다. 메타러닝은 기존 아이템에 대한 학습 경험을 메타 파라미터에 축적하고, 신규 아이템이 등장했을 때 이 메타 파라미터를 초기값으로 사용해 빠르게 최적화한다. 결과적으로 EmerFlow는 초기에는 LLM이 제공한 의미적 풍부함에 의존하고, 시간이 흐름에 따라 실제 사용자 피드백을 통해 점진적으로 정교해진다. …

📄 논문 본문 발췌 (Translation)

...(본문 내용이 길어 생략되었습니다. 사이트에서 전문을 확인해 주세요.)