추천 시스템을 위한 LLM 기반 사용자 프로필 관리

LLM-based User Profile Management for Recommender System

February 20, 2025

저자: Seunghwan Bang, Hwanjun Song

cs.AI

초록

대규모 언어 모델(LLM)의 급속한 발전은 기존의 학습 없이도 추천이 가능한 제로샷 추천 시스템에 새로운 기회를 열어주었습니다. 그러나 이러한 잠재력에도 불구하고, 대부분의 기존 연구는 사용자의 구매 이력에만 의존하고 있어, 리뷰나 제품 설명과 같은 사용자 생성 텍스트 데이터를 활용함으로써 개선의 여지가 크게 남아 있습니다. 이러한 격차를 해결하기 위해, 우리는 PURE라는 새로운 LLM 기반 추천 프레임워크를 제안합니다. PURE는 사용자 리뷰에서 핵심 정보를 체계적으로 추출하고 요약하여 진화하는 사용자 프로필을 구축하고 유지합니다. PURE는 세 가지 핵심 구성 요소로 이루어져 있습니다: 사용자 선호도와 주요 제품 특징을 식별하는 리뷰 추출기(Review Extractor), 사용자 프로필을 정제하고 업데이트하는 프로필 업데이터(Profile Updater), 그리고 최신 프로필을 활용하여 개인화된 추천을 생성하는 추천기(Recommender)입니다. PURE를 평가하기 위해, 우리는 시간이 지남에 따라 리뷰를 추가하고 예측을 점진적으로 업데이트하는 현실 세계 시나리오를 반영한 연속 순차 추천 작업을 도입했습니다. 아마존 데이터셋에 대한 실험 결과는 PURE가 기존의 LLM 기반 방법들을 능가하며, 토큰 제한을 관리하면서 장기적인 사용자 정보를 효과적으로 활용함을 보여줍니다.

English

The rapid advancement of Large Language Models (LLMs) has opened new opportunities in recommender systems by enabling zero-shot recommendation without conventional training. Despite their potential, most existing works rely solely on users' purchase histories, leaving significant room for improvement by incorporating user-generated textual data, such as reviews and product descriptions. Addressing this gap, we propose PURE, a novel LLM-based recommendation framework that builds and maintains evolving user profiles by systematically extracting and summarizing key information from user reviews. PURE consists of three core components: a Review Extractor for identifying user preferences and key product features, a Profile Updater for refining and updating user profiles, and a Recommender for generating personalized recommendations using the most current profile. To evaluate PURE, we introduce a continuous sequential recommendation task that reflects real-world scenarios by adding reviews over time and updating predictions incrementally. Our experimental results on Amazon datasets demonstrate that PURE outperforms existing LLM-based methods, effectively leveraging long-term user information while managing token limitations.