[논문리뷰] RecoWorld: Building Simulated Environments for Agentic Recommender Systems

링크: 논문 PDF로 바로 열기

저자: Fei Liu, Xinyu Lin, Hanchao Yu, Mingyuan Wu, Jianyu Wang, Qiang Zhang, Zhuokai Zhao, Yinglong Xia, Yao Zhang, Weiwei Li, Mingze Gao, Qifan Wang, Lizhu Zhang, Benyu Zhang, Xiangjun Fan

핵심 연구 목표

본 논문은 에이전트 기반 추천 시스템(agentic recommender systems)을 위한 시뮬레이션 환경인 RECOWORLD의 청사진을 제시하여, 실제 사용자에게 영향을 주지 않고 추천 시스템이 오류로부터 학습하고 전략을 개선할 수 있는 훈련 공간을 제공하는 것을 목표로 합니다. 궁극적으로 “사용자 지시, 추천자 응답” 패러다임을 통해 사용자 리텐션 및 참여를 공동으로 최적화하는 것을 목표로 합니다.

핵심 방법론

RECOWORLD는 이중-뷰 아키텍처를 특징으로 하며, 시뮬레이션된 사용자와 에이전트 추천 시스템이 다중 턴 상호작용에 참여합니다. 사용자 시뮬레이터는 LLMs를 핵심 추론 엔진으로 활용하여 사용자 행동을 모델링하고(텍스트 기반, 멀티모달, 시맨틱 ID 모델링 포함), 이탈 감지 시 반영적 지시(reflective instructions)를 생성합니다. 추천 시스템은 이러한 지시와 추론 흔적을 통합하여 추천을 조정하며, 다중 턴 RL을 통해 전략을 세밀하게 조정합니다.

주요 결과

본 논문은 RECOWORLD의 개념과 설계 원칙을 제시하는 청사진 연구로, 자체적인 정량적 실험 결과를 직접 보고하지는 않습니다. 하지만, 기존 RecSys 데이터셋과 인간 평가를 통해 시뮬레이터의 효과성을 검증할 수 있는 평가 디자인을 제안하며, 시뮬레이션된 사용자 참여 지표(예: 시청 시간, 클릭 수)를 보상 신호로 사용하여 에이전트 훈련을 위한 프레임워크를 제공합니다.

AI 실무자를 위한 시사점

RECOWORLD는 AI/ML 엔지니어들이 실제 사용자 경험을 손상시키지 않고 에이전트 기반 추천 시스템의 혁신적인 전략을 공격적으로 테스트하고 개선할 수 있는 안전한 훈련 공간을 제공합니다. 특히 LLMs를 활용한 사용자 시뮬레이션은 명령어 추종 추천 시스템 개발을 가속화하며, 장기적인 사용자 리텐션 최적화를 위한 보상 설계에 새로운 통찰력을 제공할 수 있습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.