Main Contributionuser, item agent를 함께 고려해서 user-item interaction simulation approach를 개발함user, item agent를 collaborately optimize, collaborativ reflection mechanism을 고안하여 user, item memory가 상호적으로 업데이트되도록 함personalized interaction simulating에 효과적이었음을 입증함 AbstractLLM-powered agent 도입대부분의 연구는 인간의 대화에만 집중하고 있음인간의 비 언어적 표현들(추천 시스템에서 고객의 클릭)은 유저의 선호를 표현할 수 있지만 연구의 대상이 아님language modeling과 behavior mod..

1. 자기 지도 학습이란?"퍼즐 조각이 몇 개 빠진 상태에서, 스스로 퍼즐을 맞추면서 전체 그림을 학습하는 것"자기지도 학습은 AI가 정답을 모르는 상태에서, 데이터 속에서 패턴을 찾아 스스로 학습하는 방법입니다.  예를 들어, 우리가 새로운 언어를 배울 때, 단어를 하나씩 배우는 게 아니라 문맥을 보고 의미를 유추하는 경우가 많습니다. 영어 문장에서 "I ___ to school every day."라고 하면, 우리는 자연스럽게 "go"가 들어가야 한다고 추측합니다. 그리고 주변의 피드백을 통해 정답 여부를 확인하며 단어를 배워갑니다.  이처럼, 자기지도 학습은 AI가 일부 정보를 숨긴 데이터를 보고, 그 숨겨진 정보를 스스로 예측하면서 학습하는 방식입니다.2. 자기지도 학습의 종류1) 마스킹(Mask..

LLM-Rec: Personalized Recommendation via Prompting Large Language Models LLM-Rec: Personalized Recommendation via Prompting Large Language ModelsText-based recommendation holds a wide range of practical applications due to its versatility, as textual descriptions can represent nearly any type of item. However, directly employing the original item descriptions may not yield optimal recommendation..

추천 시스템 연구에서 Sequential Recommendation(순차적 추천)은 사용자의 과거 행동을 기반으로 다음 행동을 예측하는 중요한 문제입니다. 이를 연구하려면 시간 순서에 따른 사용자-아이템 상호작용 데이터가 필수적으로 포함된 데이터셋이 필요합니다. 이번 글에서는 실제 플랫폼에서 수집된 다양한 도메인의 Sequential Recommendation 데이터셋을 소개합니다. 각 데이터셋은 특정 플랫폼에서 사용자 행동 데이터를 수집하여 정제한 것이며, 추천 모델 연구 및 평가에 활용할 수 있습니다.   1. Meituan1데이터 출처: https://www.meituan.com설명중국 Meituan 플랫폼에서 베이징 지역의 6년간(2014년 1월~2020년 1월) 거래 기록을 포함한 데이터셋입니다..