LettinGo: 추천 시스템을 위한 사용자 프로필 생성 탐구
LettinGo: Explore User Profile Generation for Recommendation System
June 23, 2025
저자: Lu Wang, Di Zhang, Fangkai Yang, Pu Zhao, Jianfeng Liu, Yuefeng Zhan, Hao Sun, Qingwei Lin, Weiwei Deng, Dongmei Zhang, Feng Sun, Qi Zhang
cs.AI
초록
사용자 프로파일링은 추천 시스템에서 핵심적인 역할을 하며, 원시 사용자 상호작용 데이터를 간결하고 구조화된 표현으로 변환하여 개인화된 추천을 가능하게 합니다. 전통적인 임베딩 기반 프로파일은 해석 가능성과 적응성이 부족한 반면, 최근의 대형 언어 모델(LLM)의 발전은 의미적으로 더 풍부하고 투명한 텍스트 기반 프로파일을 가능하게 합니다. 그러나 기존 방법들은 고정된 형식을 따르는 경우가 많아 사용자 행동의 다양성을 충분히 포착하는 데 한계가 있습니다. 본 논문에서는 다양한 적응형 사용자 프로파일을 생성하기 위한 새로운 프레임워크인 LettinGo를 소개합니다. LLM의 표현력을 활용하고 하위 추천 작업으로부터 직접적인 피드백을 통합함으로써, 우리의 접근 방식은 지도 미세 조정(SFT)이 부과하는 엄격한 제약을 피합니다. 대신, 작업별 성능과 프로파일 생성기를 정렬하기 위해 직접 선호 최적화(DPO)를 사용하여 프로파일이 적응적이고 효과적으로 유지되도록 합니다. LettinGo는 세 단계로 작동합니다: (1) 여러 LLM을 통해 다양한 사용자 프로파일 탐색, (2) 추천 시스템에서의 영향력을 기반으로 프로파일 품질 평가, (3) 작업 성능에서 도출된 쌍별 선호 데이터를 통해 프로파일 생성 정렬. 실험 결과는 우리의 프레임워크가 추천 정확도, 유연성 및 상황 인식을 크게 향상시킴을 보여줍니다. 이 연구는 차세대 추천 시스템을 위한 핵심 혁신으로서 프로파일 생성을 강화합니다.
English
User profiling is pivotal for recommendation systems, as it transforms raw
user interaction data into concise and structured representations that drive
personalized recommendations. While traditional embedding-based profiles lack
interpretability and adaptability, recent advances with large language models
(LLMs) enable text-based profiles that are semantically richer and more
transparent. However, existing methods often adhere to fixed formats that limit
their ability to capture the full diversity of user behaviors. In this paper,
we introduce LettinGo, a novel framework for generating diverse and adaptive
user profiles. By leveraging the expressive power of LLMs and incorporating
direct feedback from downstream recommendation tasks, our approach avoids the
rigid constraints imposed by supervised fine-tuning (SFT). Instead, we employ
Direct Preference Optimization (DPO) to align the profile generator with
task-specific performance, ensuring that the profiles remain adaptive and
effective. LettinGo operates in three stages: (1) exploring diverse user
profiles via multiple LLMs, (2) evaluating profile quality based on their
impact in recommendation systems, and (3) aligning the profile generation
through pairwise preference data derived from task performance. Experimental
results demonstrate that our framework significantly enhances recommendation
accuracy, flexibility, and contextual awareness. This work enhances profile
generation as a key innovation for next-generation recommendation systems.