Large Behavior Model: 소매 고객의 프롬프트 가능한 디지털 트윈
Large Behavior Model: A Promptable Digital Twin of the Retail Customer
고객 행동 모델링은 추천, 마케팅, 의사결정 지원의 근간이 되지만, 기존 접근법은 의사결정에 대한 설명 없이 예측 정확도만을 최적화하거나, 실제 행동 데이터에 기반하지 않은 채 사용자를 시뮬레이션하는 데 그쳤다. 본 논문에서는 통합된 사람-환경(Person-Environment) 공식화를 통해 대규모 소매 거래로부터 고객 의사결정을 직접 학습하는 대규모 행동 모델(LBM, Large Behavioral Model)을 제안한다. 고객 상태는 과거 구매 이력에서 도출된 행동 프로파일로 표현되며, 제품 컨텍스트는 검색-증강 생성(RAG)을 통해 반영된다. 이 모델은 언어화된 행동 데이터에 대한 지속적 사전학습, 의사결정 생성을 위한 지도 미세조정, 그리고 증거 기반 보정을 위한 검증 가능한 보상을 활용한 강화학습을 통해 학습된다. 제안된 프레임워크는 구매 예측, 어려운 부정 사례(hard-negative) 판별, 장바구니 완성, 프로모션 반응, 크로스 도메인 바우처 사용 예측 태스크에서 평가된다. 이 모델은 도메인 내 소매 태스크에서 최신 범용 언어 모델을 지속적으로 능가하는 동시에, 소매업체 및 의사결정 도메인 전반에 걸쳐 강력한 제로샷 및 미세조정 전이 능력을 보인다. 절제 연구(ablation study)에 따르면, 지속적 사전학습이 행동 일반화의 주요 동인이고, 검색은 학습과 추론 모두에 적용될 때 가장 효과적이며, 강화학습은 일반적인 언어 모델 사전 분포보다 명시적 행동 증거에 대한 의존도를 향상시킨다. 이러한 결과는 거래 이력에 인코딩된 행동 지식이 언어 모델에 의해 효과적으로 학습될 수 있음을 입증하며, 고객 디지털 트윈 및 행동 시뮬레이션을 위한 확장 가능한 기반을 제공한다.