[논문리뷰] TalkPlay-Tools: Conversational Music Recommendation with LLM Tool Calling

링크: 논문 PDF로 바로 열기

저자: Seungheon Doh, Keunwoo Choi, Juhan Nam

핵심 연구 목표

본 논문은 기존 대규모 언어 모델(LLM) 기반 추천 시스템의 제한적인 추천 행동과 단일 검색 방법론의 한계를 극복하고자 합니다. 사용자의 복잡한 의도를 해석하고 다양한 데이터 소스를 통합하여 정교한 음악 추천을 제공하는 통합 검색-재순위화 파이프라인을 목표로 합니다.

핵심 방법론

제안하는 시스템은 LLM을 도구 호출(tool calling) 에이전트로 활용하여 사용자 의도를 해석하고, 도구 실행 계획을 수립하며, 전문화된 컴포넌트들을 조율합니다. 활용되는 도구는 SQL(불리언 필터링), BM25(희소 검색), 텍스트-아이템/아이템-아이템/사용자-아이템(밀집 검색), 그리고 Semantic IDs(생성형 검색) 로 구성됩니다. 특히, Qwen3-LM-4B를 기반 LLM으로 사용하여 이러한 도구들을 순차적으로 호출하며, 사용자 프로필, 대화 기록, 이전 추천 정보 등을 인컨텍스트 정보로 활용하여 추천의 정확도를 높입니다.

주요 결과

본 시스템은 대화형 음악 추천 벤치마크인 TalkPlayData 2에서 제로샷 성능을 평가받아, Qwen3-LM + BM25 모델의 0.018 Hit@1 대비 0.022 Hit@1을 달성하며 우수한 성능을 보였습니다. 이는 다중 도구 통합을 통한 재순위화의 효과를 입증합니다. 초기 도구 호출 성공률은 SQL(24.7%)과 Item-to-Item(68.4%)에서 낮았지만, 재시도 메커니즘을 통해 모든 추론 단계가 성공적으로 완료되었습니다.

AI 실무자를 위한 시사점

이 연구는 LLM이 단순한 콘텐츠 생성자를 넘어 다양한 검색 도구를 통합하고 조율하는 지능형 에이전트로서 기능할 수 있음을 보여줍니다. 여러 검색 방법론(불리언, 희소, 밀집, 생성형)을 동적으로 조합함으로써 실제 서비스에서 요구되는 복잡한 제약 조건과 사용자 의도를 만족하는 유연하고 강력한 추천 시스템 구축에 중요한 시사점을 제공합니다. 특히, 멀티모달 데이터 활용과 재시도 메커니즘을 통한 시스템의 견고성 확보는 실용적 가치가 높습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.