PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.09988v1cs.IR

커넥티드 TV 콘텐츠 탐색을 위한 LLM 기반 에이전틱 추천 시스템

An LLM-powered Agentic Recommendation System for Connected TV Content Discovery

추천 시스템은 전통적인 다단계 방식부터 최근의 통합 생성형 아키텍처에 이르기까지, 트렌딩 토픽, 속보, 문화 행사, 크로스 서피스 사용자 활동 등 다양한 맥락적 신호를 랭킹 파이프라인에 통합하는 데 어려움을 겪고 있다. 이러한 시스템은 일관된 스키마를 가진 구조화된 행동 신호를 소비하도록 설계되어 있으며, 비정형이거나 이기종 형식의 맥락 정보를 자연스럽게 처리하는 추론 능력이 부족하다. 이러한 신호를 통합하려면 일반적으로 특징(feature) 엔지니어링, 맞춤형 데이터 파이프라인, 신중하게 조정된 휴리스틱이 필요하다. 본 논문에서는 이러한 한계를 해결하기 위해 커넥티드 TV(CTV) 콘텐츠 탐색을 위한 LLM 기반 에이전틱 추천 시스템을 제안한다. 본 시스템은 대규모 언어 모델(LLM)의 추론 능력을 활용하여 다양한 스키마와 구조에 걸친 다양한 신호를 자연스럽게 처리하고 합성함으로써, 전통적인 랭킹 및 검색 시스템에 내재된 수동 통합 작업을 상당 부분 제거한다. 현재 LLM 기반 솔루션이 검색 효율성, 개인화 정밀도(precision), 확장성을 포함한 여러 추천 태스크에서 여전히 전통적인 머신러닝 모델에 미치지 못함을 인식하여, 각 서브태스크를 LLM 기반이든 전통적 ML이든 가장 적합한 방법으로 처리할 수 있도록 특화된 컴포넌트를 조율하는 에이전틱 아키텍처를 채택하였다. 본 연구의 주요 기여는 추천을 위한 LLM 활성화의 실질적 한계, 특히 추론(inference) 지연 문제를 성공적으로 극복한 엔지니어링 접근 방식이다. 본 연구에서 얻은 인사이트를 공유하고, LLM의 유연성과 기존 추천 기법의 성능을 결합한 하이브리드 시스템 구축 과정에서의 트레이드오프와 교훈을 논의한다.