[논문리뷰] RecGPT Technical Report

링크: 논문 PDF로 바로 열기

저자: Jian Wu, Jiakai Tang, Gaoyang Guo, Dian Chen, Chao Yi

키워드: Recommender Systems, Large Language Models (LLMs), User Intent Modeling, Multi-Stage Training, Human-in-the-Loop, E-commerce, Filter Bubble Mitigation, Matthew Effect

핵심 연구 목표

기존 추천 시스템의 로그 기반(log-fitting) 접근 방식 이 야기하는 과적합, 필터 버블, 롱테일 문제의 한계를 극복하고, 사용자 의도 를 중심으로 하는 차세대 추천 시스템 RecGPT 를 제안합니다. 이는 대규모 언어 모델(LLMs) 의 추론 능력을 활용하여 사용자의 잠재적 관심사를 깊이 이해하고 추천 과정의 투명성을 높여 지속 가능한 추천 생태계를 구축하는 것을 목표로 합니다.

핵심 방법론

RecGPT는 사용자 관심사 파악에 LLMUI , 아이템 태그 예측에 LLMIT , 추천 설명 생성에 LLMRE 의 세 가지 LLM 모듈을 통합합니다. 신뢰할 수 있는 행동 시퀀스 압축 을 통해 방대한 사용자 행동 데이터를 효율적으로 처리하며, 일반 LLM을 추천 도메인에 맞추기 위한 다단계 학습 프레임워크 (추론 강화 사전 정렬, 자기 학습 진화)를 사용합니다. 데이터 품질 관리를 위해 Human-LLM 협력 평가자 시스템 을 도입했으며, 태그 인식 의미론적 검색 과 협업 필터링 을 결합하여 아이템을 검색합니다.

주요 결과

타오바오(Taobao) 앱 에 배포된 RecGPT는 온라인 A/B 테스트에서 사용자 만족도(예: CICD +6.96% , DT +4.82% ), 판매자 및 플랫폼 수익(예: CTR +6.33% , IPV +9.47% , DCAU +3.72% ) 등 여러 지표에서 일관된 성능 향상을 보였습니다. 또한, 매튜 효과(Matthew Effect) 를 완화하여 롱테일 아이템의 노출을 균등화하고, 추천 중복도를 37.1%에서 36.2% 로 감소시켰습니다.

AI 실무자를 위한 시사점

이 연구는 대규모 LLM 기반 추천 시스템 의 산업적 적용 가능성과 그 잠재력을 입증합니다. 특히, 다단계 학습 프레임워크 와 Human-LLM 협력 평가 시스템 은 일반 LLM을 특정 도메인에 효과적으로 적응시키고 대규모로 고품질 데이터를 관리하는 실용적인 방법론을 제시합니다. 이는 AI/ML 엔지니어들이 사용자 경험과 비즈니스 성과를 동시에 향상시킬 수 있는 지능형 추천 시스템 을 설계하는 데 중요한 통찰력을 제공합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.