사용자의 순차적 행동 이력을 바탕으로 다음 상호작용을 예측하는 순차 추천 시스템에서, 아이템 표현의 품질을 높이는 범용 프레임워크 젠에어(GenAIR)가 arXiv에 발표됐다. 대규모 언어 모델(LLM)을 활용해 아이템의 이상적인 이용자 원형(Archetype)을 생성하고 실제 행동 데이터로 보정함으로써 의미 표현과 실제 이용 패턴 사이의 괴리를 좁히는 접근법이다.
기존 LLM 기반 추천 연구는 아이템의 고정 속성을 정적으로 인코딩하는 데 그쳐, 실제 이용자가 그 아이템을 어떤 맥락에서 소비하는지를 반영하지 못했다. 젠에어는 LLM으로 아이템 메타데이터를 분석해 이상적인 대상 이용자의 개념적 프로필을 텍스트로 추론하는 원형 생성 단계를 먼저 수행한 뒤, 단일 순전파(forward pass)로 대응하는 임베딩을 추출한다. 이어서 실제 상호작용에서 수집한 행동 신호로 임베딩 공간 구조를 조정하는 행동 보정 목적함수를 적용해 생성된 원형이 현실 이용 패턴에 기반을 두도록 했다.
세 가지 실제 데이터셋에서 수행한 실험에서 젠에어는 다양한 기존 순차 추천 모델과 결합했을 때 일관된 성능 향상을 보였으며 최신 기준 방법들을 모두 능가했다. 프레임워크는 대부분의 기존 모델에 원활히 통합될 수 있도록 설계됐고 계산 효율도 높게 유지됐다.
순차 추천 시스템의 핵심 병목인 아이템 표현 품질 문제를 LLM의 언어 이해 능력과 행동 데이터의 패턴 학습을 결합해 다루었다는 점에서 이 연구는 실용적 가치가 있다. 추천 시스템에 LLM을 접목하는 방식이 다양해지는 흐름 속에서, 이용자 원형 개념을 매개로 두 관점을 통합한 젠에어의 접근은 후속 연구와 현장 적용 모두에서 참조 지점이 될 전망이다.
