[논문리뷰] RecGPT-V2 Technical Report

링크: 논문 PDF로 바로 열기

저자: Dian Chen, Chao Yi, Zhujin Gao, Jiakai Tang, Haoyi Hu

핵심 연구 목표

RecGPT-V2는 기존 RecGPT-V1의 LLM 기반 추천 시스템 이 겪던 계산 비효율성, 설명 다양성 부족, 제한된 일반화 능력, 단순한 평가 방식의 네 가지 근본적인 한계를 해결하는 것을 목표로 합니다. 이를 통해 인지적 탐색과 산업적 활용성 간의 격차를 해소 하고, 확장 가능하며 효율적인 LLM 기반의 의도 추론 추천 시스템 을 구축하고자 합니다.

핵심 방법론

RecGPT-V2는 네 가지 핵심 혁신을 도입합니다. 첫째, Hierarchical Multi-Agent System (HMAS) 과 Hybrid Representation Inference 를 통해 의도 추론을 재구성하고 Atomized Entity Compression 으로 사용자 행동 토큰을 압축하여 GPU 소비를 60% 절감합니다. 둘째, Meta-Prompting 프레임워크를 통해 상황에 맞는 프롬프트를 동적으로 생성하여 설명 다양성을 높입니다. 셋째, Constrained Reinforcement Learning 으로 다중 보상 충돌을 완화하며, Constrained Reward Shaping (CRS) 을 사용하여 안정적인 최적화를 가능하게 합니다. 넷째, Agent-as-a-Judge 프레임워크는 다단계 추론으로 평가를 분해하여 인간의 선호도에 더 잘 부합하도록 합니다.

주요 결과

온라인 A/B 테스트에서 RecGPT-V2는 Taobao 플랫폼에서 CTR +2.98% , IPV +3.71% , TV +2.19% , NER +11.46% 의 상당한 성능 향상을 달성했습니다. 특히, Hybrid Representation Inference 와 인프라 최적화를 통해 MFU가 +53.7% 증가하고 GPU 소비가 60% 감소했습니다. 설명 생성에서는 설명 다양성이 +7.3% 증가했으며, Constrained Reinforcement Learning 적용 후 태그 예측 정확도는 +24.1% , 설명 수용도는 +13.0% 향상되었습니다.

AI 실무자를 위한 시사점

RecGPT-V2는 LLM 기반 추천 시스템 의 산업적 확장성 과 효율성 을 크게 개선할 수 있는 실용적인 솔루션을 제시합니다. 특히 하이브리드 표현 추론 과 계층적 멀티-에이전트 시스템 은 대규모 사용자 행동 데이터를 처리하는 데 있어 연산 비용을 획기적으로 절감 하는 방법을 보여줍니다. 동적 프롬프트 생성 과 제약 강화 학습 은 추천 시스템의 개인화된 설명과 다목적 최적화에 대한 새로운 접근 방식을 제공하여, 실제 서비스 환경에서 사용자 경험과 시스템 가치를 동시에 높일 수 있는 잠재력을 시사합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.