2. Related Works1) Collaborative Filtering(CF)Collaborative Filtering (CF)의 정의 및 기본 원리CF는 추천 시스템의 핵심적인 접근법으로, 사용자의 과거 행동(예: 구매, 클릭, 평점 등)에 기반하여유사한 사용자 / 유사한 아이템 간의 상호작용 패턴을 활용해 미래의 선호를 예측하는 기법입니다.사용자 기반 CF: 비슷한 사용자들은 비슷한 아이템을 선호한다.아이템 기반 CF: 비슷한 아이템들은 비슷한 사용자에게 선호될 것이다. 기술적 발전 흐름Matrix Factorization 기반 CF행렬 분해(MF)는 사용자-아이템 상호작용 행렬을 저차원 잠재 공간(latent space)에서 두 행렬 P,Q의 곱으로 근사합니다이때, d는 잠재 요인(latent..

✅ 논문 개요논문 제목: Recommender AI Agent: Integrating Large Language Models for Interactive Recommendations발표 시기: 2024년 1월 ✅ 선행 연구Conversational Recommender Systems(CRS)속성 기반 질의응답형 CRS: 사용자 요구 속성 기반 추천오픈형 대화 CRS: 언어모델 기반 자연스러운 대화 중심LLM과 Tool 연계 (ReAct, HuggingGPT, AutoGPT 등) ✅ 해결하려는 구체적인 문제기존 추천 시스템의 대화형 응답/설명/추론 부족LLM의 도메인 특화 정보 부족, 새로운 아이템 반영 어려움, 고비용 파인튜닝 문제일반 LLM은 사용자 복잡 질의에 대한 정확한 추천 흐름 구성 어려움  ✅..

1. Profile Component User TraitsItem TraitsAgent Role InstructionAgent4Rec섬세한 profiling method : user profile을 social trait으로 categorize  RecAgentincorporate profile  MACRec- incorporate profile- interaction history에서 유저 선호도 포착- item meta data or extrated from user analysis-user/item analyst가 있어서 유저 선호도와 아이템 특성을 이해하는데 중요한 역할을 함 AgentCF - item meta data or extrated from user analysis- item agent가..

1. Introduction LLM을 활용한 추천 시스템의 부상LLM (Large Language Models)을 활용한 추천 시스템이 주목받고 있음특히 LLM이 가진 world knowledge와 context comprehension 능력을 통해 cold-start 추천 성능 향상에 강점이 있음 기존 방법의 한계LLM을 직접 In-Context Learning 방식으로 활용하거나, LLM을 recommendation task에 맞게 fine-tuning하는 시도가 있음하지만 기존 방식들은 텍스트의 의미를 바탕으로 추천을 수행하며, user-item interaction과 같은 collaborative information을 충분히 반영하지 못해 warm-start 추천 성능이 낮음 research p..