전통적인 분류 과제와 달리 추천(recommendation)은 본질적으로 주관적이다. 어떤 항목을 제안해야 하는지는 사용자의 선호와 아이템 의미뿐만 아니라 잠재적인 행동 패턴 및 맥락 단서에 의해 좌우된다. 최근 LLM 기반 추천자(recommender)들은 생성적 추론을 통해 의미와 의도를 모델링하는 데 탁월하지만, 협력 신호를 포착하는 데에는 자주 실패하며, 대규모 상호작용 공간 전반에 적용할 때 비효율성을 겪는다. 본 연구는 국소(local) 대규모 언어 모델을 위한 추천(Local Large Language Models for Recommendation, L3Rec)이라는 새로운 모델 불가지(모델-agnostic) 프레임워크를 제안한다. 이 프레임워크는 국소화된 모델링을 통해 협업 필터링(Collaborative Filtering, CF)과 생성형 LLM을 통합한다. 우리의 접근은 먼저 경량의 CF 모델을 적용하여 사용자와 아이템 임베딩을 도출한 뒤, 이를 행동적으로 일관된 하위 집단(subgroup)으로 클러스터링한다. 각 클러스터에는 해당 데이터 부분집합에 대해서만 학습된 전용 생성형 LLM을 할당한다. 이를 통해 세밀한 개인화를 가능하게 하면서, 병렬성을 통해 학습 효율을 향상시킨다. 추론 시에는 국소 모델들의 예측을 융합 전략(fusion strategy)을 통해 집계하며, 필요 시 전역(global) CF로 폴백(fallback)한다. 우리가 아는 한, 본 연구는 국소 협업 구조를 통합하는 최초의 LLM 기반 추천 프레임워크이다. 실험 결과, 본 방법은 뛰어난 확장성과 효율을 제공하면서도 최신(state-of-the-art) 성능을 달성함을 보였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.