PrefPalette: 잠재 속성 기반 개인화된 선호도 모델링

AI 시스템을 개인화하는 것은 사용자의 선호도뿐만 아니라 그 선호도의 근거를 이해하는 것이 필요합니다. 그러나 현재의 선호도 모델은 대부분 인간의 판단을 흑합(Black Box)으로 취급합니다. 우리는 이러한 문제를 해결하기 위해 PrefPalette라는 프레임워크를 소개합니다. 이 프레임워크는 선호도를 속성 차원으로 분해하여, 각각의 사회 커뮤니티 가치에 따라 선호도 예측을 인간이 해석할 수 있는 방식으로 맞춤화합니다. PrefPalette는 인지과학 원칙인 다속성 의사결정(Multi-Attribute Decision Making)을 두 가지 방법으로 구현합니다: (1) 개별 속성 효과(예: 공식성, 유머, 문화적 가치)를 고립시키기 위한 확장 가능한 반사실적 속성 합성 단계로, 합성 훈련 데이터를 생성하고, (2) 다양한 사회 커뮤니티가 이러한 속성을 어떻게 동적으로 가중치를 부여하는지를 학습하는 주목 기반 선호도 모델링입니다. 이 접근법은 집단적인 선호도 모델링을 넘어 인간의 판단을 이끄는 다양한 평가 체계를 포착합니다. 온라인 플랫폼 Reddit에서 45개의 사회 커뮤니티를 대상으로 평가한 결과, PrefPalette는 GPT-4o보다 평균 예측 정확도에서 46.6% 높은 성능을 보였습니다. 예측 성능 향상 외에도, PrefPalette는 직관적이고 커뮤니티 특유의 프로필을 밝혀냈습니다: 학술적인 커뮤니티에서는 말의 양과 자극성이 중요하게 여겨졌으며, 갈등 중심적인 커뮤니티에서는 비꼬는 말투와 직접성이 중시되었으며, 지원 기반 커뮤니티에서는 공감이 강조되었습니다. 인간의 판단 구조를 속성 매개 변수로 모델링함으로써, PrefPalette는 우수한 선호도 모델링과 동시에 투명하고 해석 가능한 통찰력을 제공하며, 더 신뢰할 수 있고 가치 인식 능력이 있는 개인화된 애플리케이션 개발의 첫걸음을 내딛고 있습니다.