[더테크=전수연 기자] 국내 연구진이 LLM 기반 추천 기술의 한계를 극복하고 빠르게 상품 등을 추천하는 시스템을 개발했다.

KAIST는 산업및시스템공학과 박찬영 교수 연구팀이 네이버와 공동 연구를 통해 ‘협업 필터링(Collaborative filtering) 기반 추천 모델을 개발했다고 17일 밝혔다.

KAIST는 최근 소셜 미디어, 전자 상거래 플랫폼 등에서 소비자의 만족도를 높이는 다양한 추천 서비스가 제공되고 있다고 분석했다. 그중에서도 상품의 제목, 설명과 같은 텍스트를 주입해 상품 추천을 제공하는 LLM 기반 기술이 각광받고 있다.

이번에 개발된 모델은 사용자의 선호에 대한 정보를 추출하고 이를 상품 텍스트와 함께 LLM에 주입해 상품 추천의 높은 정확도를 달성할 수 있는 새로운 LLM 기반 추천시스템 기술이다.

KAIST는 기존 연구에 비해 이번 연구가 학습 속도에서 253% 향상, 추론 속도에서 171% 향상, 상품 추천에서 평균 12%의 성능 향상을 이뤄냈다고 밝혔다.

특히 사용자의 소비 이력이 제한된 퓨샷(Few-shot, 사용자의 소비 이력이 풍부하지 않은 상품) 추천에서 평균 20%의 성능 향상과 다중 도메인(Cross-domain, 타 도메인에서 학습된 모델을 활용해 추가학습없이 현재 도메인에서 추천을 수행) 상품 추천에서 42%의 성능 향상을 이뤄냈다.

기존 LLM을 활용한 추천 기술들은 사용자가 소비한 상품 이름들을 단순히 텍스트 형태로 나열해 LLM에 주입하는 방식으로 추천을 진행했다. 예를 들어 사용자가 “영화 극한직업, 범죄도시1, 범죄도시2를 보았을 때 다음으로 시청할 영화는 무엇인가?”라고 LLM에 질문하는 방식이었다.

반면 연구팀이 착안한 점은 상품 제목, 설명과 같은 텍스트뿐 아니라 협업 필터링 지식 즉 사용자와 비슷한 상품을 소비한 다른 사용자에 대한 정보가 정확한 상품 추천에 중요한 역할을 한다는 것이다. 

이에 따라 연구팀은 미리 학습된 협업 필터링 기반 추천 모델로부터 사용자의 선호에 대한 정보를 추출하고 이를 LLM이 이해할 수 있도록 변환하는 경량화 된 신경망을 도입했다.

이번 기술의 특징은 LLM의 추가적인 학습이 필요하지 않다는 점이다. 기존 연구들은 상품 추천을 목적으로 학습되지 않은 LLM이 상품 추천이 가능하게 하도록 LLM을 파인튜닝하는 방법을 사용했다.

다만 이는 학습, 추론에 드는 시간을 급격히 증가시키므로 실제 서비스에서 LLM을 추천에 활용하는 것에 걸림돌이 된다. 연구팀은 LLM의 직접적인 학습 대신 경량화된 신경망의 학습을 통해 LLM이 사용자의 선호를 이해할 수 있도록 했고 이에 따라 기존 연구보다 빠른 학습, 추론 속도를 달성했다.

연구팀을 지도한 박찬영 교수는 “제안한 기술은 LLM을 추천 문제에 해결하려는 기존 연구들이 간과한 사용자-상품 상호작용 정보를 전통적인 협업 필터링 모델에서 추출해 LLM에 전달하는 새로운 방법”이라며 “이는 대화형 추천 시스템, 개인화 상품 정보 생성 등 다양한 추천 서비스를 등장시킬 수 있을 것”이라고 말했다.

그러면서 그는 “추천 도메인에 국한되지 않고 이미지, 텍스트, 사용자-상품 상호작용 정보를 모두 사용하는 진정한 멀티모달 추천 방법론으로 나아갈 수 있을 것”이라고 전했다.