Micah Carroll Adeline Foote Kevin Feng Marcus Williams Anca Dragan W. Bradley Knox Smitha Milli

초록

사용자가 추천 시스템의 추천 결과에 만족하지 못할 경우, 그들은 추천 내용을 세밀하게 조정할 수 있는 제어 수단을 보유하고 있지 않은 경우가 많다. 대규모 언어 모델(Large Language Models, LLM)은 사용자가 자연어 요청을 통해 추천 방향을 안내할 수 있도록 함으로써 이 문제에 대한 해결책을 제시한다. 예를 들어, "내 견해와 다른 관점을 가진 존중받는 게시물들을 보고 싶다"와 같은 요청을 통해 사용자가 원하는 방향으로 추천을 조정할 수 있다. 본 연구에서는 기존 추천 시스템에 실시간으로 자연어 기반의 제어 기능을 도입하면서도 계산 효율성을 유지하는 방법, 즉 CTRL-Rec을 제안한다. 구체적으로, 학습 단계에서는 LLM을 활용하여 사용자의 언어 요청에 기반해 특정 아이템이 사용자에게 수용될 것인지 여부를 시뮬레이션하고, 이러한 시뮬레이션된 판단을 근사하는 임베딩 모델을 학습한다. 이후 이러한 사용자 요청 기반의 예측 결과를 기존 추천 시스템이 최적화하는 신호들의 가중치 계산에 통합한다. 배포 단계에서는 사용자 요청당 단일 LLM 임베딩 계산만 필요하므로, 추천 결과를 실시간으로 제어할 수 있다. MovieLens 데이터셋을 활용한 실험 결과, 본 방법은 다양한 유형의 요청에 대해 일관되게 세밀한 제어 기능을 제공함을 입증하였다. 또한 19명의 Letterboxd 사용자를 대상으로 한 사용성 연구에서, CTRL-Rec은 사용자들로부터 긍정적인 반응을 얻었으며, 기존의 제어 방식에 비해 사용자의 추천에 대한 통제감과 만족도를 크게 향상시켰음을 확인하였다.