[논문리뷰] Interactive Recommendation Agent with Active User Commands

링크: 논문 PDF로 바로 열기

저자: Jiakai Tang, Yujie Luo, Xunke Xi, Fei Sun, Xueyang Feng, Sunhao Dai, Chao Yi, Dian Chen, Zhujin Gao, Yang Li, Xu Chen, Wen Chen, Jian Wu, Yuning Jiang, Bo Zheng

핵심 연구 목표

본 논문은 기존 추천 시스템의 수동적 피드백 메커니즘이 사용자의 미묘한 의도와 만족도를 정확히 포착하지 못하여 발생하는 “사용자 의도-시스템 해석” 간의 간극을 해결하고자 합니다. 이를 위해 사용자가 자연어 명령을 통해 추천 정책을 능동적으로 제어할 수 있는 새로운 대화형 추천 피드(Interactive Recommendation Feed, IRF) 패러다임을 제안하고, 사용자 만족도 및 시스템 효율성을 향상시키는 것을 목표로 합니다.

핵심 방법론

연구팀은 IRF 패러다임을 지원하기 위해 RecBot이라는 듀얼-에이전트 아키텍처를 개발했습니다. 이 아키텍처는 사용자의 언어 표현을 구조화된 선호도로 변환하는 파서 에이전트(Parser Agent)와, 동적으로 적응형 도구 체인을 조정하여 실시간 정책 조정을 수행하는 플래너 에이전트(Planner Agent)로 구성됩니다. 실용적인 배포를 위해 시뮬레이션 증강 지식 증류(simulation-augmented knowledge distillation) 기법을 사용하여 효율적인 성능과 강력한 추론 능력을 동시에 확보했습니다.

주요 결과

광범위한 오프라인 및 장기 온라인 실험 결과, RecBot은 사용자 만족도와 비즈니스 성과 모두에서 상당한 개선을 보였습니다. 온라인 A/B 테스트에서 부정적 피드백 빈도(NFF)를 0.71% 감소시키고, 클릭된 아이템 카테고리 다양성(CICD)을 1.44% 증가시켰으며, 장바구니 추가(ATC)를 1.28%, 총거래액(GMV)을 1.40% 증가시켰습니다. 또한 사용자 명령 이행 정확도는 88.9%로 나타났습니다.

AI 실무자를 위한 시사점

RecBot은 사용자가 자연어 명령을 통해 추천 시스템과 능동적으로 상호작용하는 새로운 AI 에이전트 기반 추천 시스템의 가능성을 보여줍니다. 이는 LLM 기반 에이전트를 활용하여 복잡한 사용자 의도를 해석하고 실시간으로 추천 정책을 조정하는 실용적인 접근 방식을 제시하며, 지식 증류 기법을 통해 대규모 LLM의 추론 능력을 유지하면서도 실제 서비스에 효율적으로 배포할 수 있음을 입증했습니다. 이는 차세대 개인화 추천 시스템 개발에 중요한 통찰력을 제공합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.