evenup.ai

이 이메일 도메인이 관측된 논문 2건

arXiv:2610.00061v1cs.AI

개인화된 선호도 최적화를 위한 그래디언트 정렬 쌍 선택

Gradient-Aligned Pair Selection for Personalized Preference Optimization

대규모 언어 모델(LLM)을 개인화하려면 생성 동작을 전체적인 평균 품질이 아닌 사용자별 선호도에 정렬(alignment)시켜야 합니다. 직접 선호 최적화(DPO)는 선호도 학습을 위한 안정적인 프레임워크를 제공하지만, 개인화된 환경에서의 효과는 선호도 쌍을 어떻게 선택하느냐에 크게 의존합니다. 기존 접근 방식은 일반적으로 가능도(likelihood) 기반 극단값과 같은 휴리스틱 기준에 의존하므로, 최적화가 명시적인 사용자 효용과 분리되어 개인화 성능 저하로 이어질 수 있습니다. 본 연구에서는 기대 사용자 효용의 그래디언트와 DPO 업데이트 방향 간의 1차 상호작용을 분석하여, 개인화된 선호도 학습을 기하학적으로 정렬된 최적화 문제로 공식화합니다. 분석 결과, 오프-정책(off-policy) 샘플링 하에서 선호도 마진이 효용 그래디언트와 방향적으로 정렬될 때 DPO 업데이트가 순수한 오류 수정 신호에서 강화 형태의 업데이트로 전환됨을 확인했습니다. 이러한 관점은 쌍 선택이 선호도 최적화가 개인화를 촉진하는지 저해하는지를 좌우하는 기하학적 결정임을 보여줍니다. 이러한 통찰을 바탕으로, 에포크(epoch)별 재생성을 통해 분포 변화를 제어하면서 효용을 인지하고 기하학적으로 정렬된 쌍 선택을 수행하는 반복 알고리즘인 GAP-DPO(Geometry-Aligned Preference DPO)를 제안합니다. 개인화된 텍스트 생성 벤치마크에 대한 실험은 GAP-DPO가 표준 DPO 변형들과 비교하여 문체 충실도, 선호도 정렬 및 생성 품질을 지속적으로 향상함을 보여줍니다. 종합적으로 본 연구의 결과는 그래디언트 정렬을 개인화된 선호도 최적화를 위한 통합 원리로 확립하며, 쌍 선택이 휴리스틱 전처리 단계가 아니라 최적화 기하학의 본질적인 구성 요소임을 입증합니다.

arXiv:2607.24764v1cs.AI

GrocLM: 대규모 언어 모델을 활용한 이커머스 식료품 카테고리 추천

GrocLM: Grocery Category Recommendation in E-Commerce with Large Language Models

온라인 식료품 쇼핑의 급격한 성장은 주기적인 구매 행동과 다양한 사용자 의도를 포착할 수 있는 추천 시스템을 필요로 합니다. 기존의 아이템 수준 방식은 확장성과 정확도 측면에서 한계에 직면해 있으며, 이에 따라 보다 구조화되고 실용적인 대안으로 카테고리 수준 추천이 주목받고 있습니다. 본 논문에서는 실제 상용 환경에서 식료품 카테고리를 추천하기 위해 파인튜닝된 언어 모델인 GROCLM을 제시합니다. GROCLM은 2단계 LoRA 기반 학습 전략을 채택하여 주기적 구매 패턴을 모델 파라미터에 직접 인코딩함으로써, 프롬프트 기반 조건화 방식에 비해 재구매 신호를 더욱 효과적으로 활용할 수 있도록 합니다. 또한 유효하고 제어 가능한 출력을 보장하기 위해 사전 정의된 카테고리 공간에서 트라이(trie) 기반의 제약 디코딩(constrained decoding) 메커니즘을 도입합니다. 독점 프로덕션 데이터와 공개 벤치마크 모두에서 수행한 실험을 통해 GROCLM이 강력한 베이스라인들을 일관되게 능가함을 입증합니다. 실제 상용 환경의 재구매(restocking) 작업에서 GROCLM은 모든 카테고리를 공동으로 생성하여 효율적인 추론을 유지하면서도 노출당 장바구니 담기(cart-adds per impression) 비율을 상대적으로 7.5% 향상시켰습니다. 이러한 결과는 대규모 언어 모델(LLM)을 구조화된 추천 시스템에 통합하는 것의 효과성과 실용성을 잘 보여줍니다.