arXiv:2605.14401 cs.CL

Agentic Recommender System with Hierarchical Belief-State Memory

제출 2026-05-14

한국어 초록

메모리 증강 대규모 언어 모델(LLM) 에이전트는 개인화 추천을 발전시켰지만, 기존 접근법은 일시적인 신호와 안정적인 선호를 혼동하는 평면적인 메모리 표현을 일관되게 채택하고 있으며, 메모리가 어떻게 진화해야 하는지에 대한 완전한 생명주기를 제공하지 못한다. 우리는 추천을 부분 관측 문제로 간주하고, 잡음이 섞인 행동 관측을 사용자 선호의 압축된 추정치로 점진적으로 추상화하는 구조화된 신념 상태를 유지하는 MARS(Memory-Augmented Agentic Recommender System)를 제안한다. MARS는 이 신념 상태를 세 단계로 구성한다: 이벤트 메모리는 원시 신호를 저장하고, 선호 메모리는 명시적인 강도 및 증거 추적을 포함한 세밀하고 수정 가능한 청크를 유지하며, 프로필 메모리는 모든 선호를 일관된 자연어 서술로 정제한다. 추출, 강화, 약화, 통합, 망각, 재합성으로 이루어진 6가지 연산의 완전한 생명주기는 고정 간격 휴리스틱이 아니라 LLM 기반 플래너에 의해 적응적으로 스케줄링된다. 4개의 InstructRec 벤치마크 도메인에서 수행한 실험 결과, MARS는 최고의 기준선 대비 HR@1에서 평균 26.4%, NDCG@10에서 10.3%의 향상을 보이며 최첨단 성능을 달성했고, 변화하는 환경에서는 에이전트식 스케줄링을 통해 추가적인 성능 향상을 얻었다.

요약

Agentic Recommender System with Hierarchical Belief-State Memory는 메모리-증강 대규모 언어 모델(Memory-Augmented Large Language Model, LLM) 에이전트가 개인화 추천을 수행할 때, 단기적 행동 신호와 장기적 사용자 선호를 분리해 기억하는 구조가 필요하다는 점에 주목합니다. 기존의 평평한 메모리 표현은 일시적인 반응과 안정적인 취향을 한데 섞어 저장하기 때문에, 무엇이 최신 신호이고 무엇이 일관된 선호인지 구분하기 어렵고, 메모리가 어떤 규칙으로 진화해야 하는지도 충분히 설명하지 못했습니다. 이에 따라 저자들은 추천을 부분 관측 문제(Partially Observable Problem)로 다시 정의하고, 불완전한 관찰로부터 사용자 선호에 대한 믿음 상태(belief state)를 점진적으로 형성하는 MARS(Memory-Augmented Agentic Recommender System, 본문 표기 ARS)를 제안합니다. 이 프레임워크는 메모리를 event memory, preference memory, profile memory의 세 계층으로 나누어 원시 상호작용, 가변적인 선호 조각, 그리고 자연어로 정리된 사용자 서사를 서로 다른 수준에서 관리합니다. 특히 preference memory는 선호의 강도와 근거를 명시적으로 추적하여 선호가 왜 유지되거나 약화되는지를 드러내고, profile memory는 이 정보를 응축해 랭킹에 활용하기 쉬운 일관된 사용자 표현으로 재구성합니다. 이 접근의 핵심 방법론적 혁신은 메모리를 단순한 저장소가 아니라, 추론과 갱신이 함께 이루어지는 동적 상태로 다룬다는 데 있습니다. MARS/ARS는 extraction, reinforcement, weakening, consolidation, forgetting, resynthesis의 여섯 가지 연산을 정의하여, 새로운 선호를 추출하고, 근거가 충분한 선호는 강화하며, 신뢰도가 떨어지는 항목은 약화하거나 제거하고, 중복된 기억은 통합한 뒤, 최종적으로 사용자 프로필 서사를 다시 생성합니다. 이러한 연산은 고정된 주기로 수행되지 않고, LLM 기반 planner가 현재까지 축적된 신호와 맥락을 바탕으로 적응적으로 스케줄링합니다. 그 결과, 불필요한 갱신 비용을 줄이면서도 사용자 취향의 변화에는 민감하게 대응할 수 있어, 정적 휴리스틱에 의존하는 기존 방식보다 더 유연한 기억 관리가 가능해집니다. 또한 온라인 추천 경로와 오프라인 메모리 생명주기 경로를 분리함으로써, 실제 랭킹 추론과 메모리 유지보수의 역할을 명확히 구분한 점도 인상적입니다. 실험적으로는 InstructRec의 네 가지 벤치마크 도메인에서 강력한 기준선들을 상회하는 성능을 보였으며, 평균적으로 Hit Rate at 1(HR@1)은 26.4%, Normalized Discounted Cumulative Gain at 10(NDCG@10)은 10.3% 향상되었습니다. 이는 단순히 정답을 한 번 맞히는 수준을 넘어, 상위 추천 순위 전반의 품질이 개선되었음을 의미합니다. 더 나아가 사용자 선호가 시간에 따라 변하는 evolving setting에서도 에이전틱 스케줄링이 추가 이득을 제공해, 메모리의 구조화와 갱신 전략이 개인화 추천의 성능을 좌우할 수 있음을 보여줍니다. 종합하면 이 연구는 추천 시스템을 정적인 예측기가 아니라, 부분 관측된 사용자 상태를 추론하고 기억을 관리하는 에이전트로 재해석함으로써, 개인화 추천의 표현 방식과 메모리 운영 원리에 새로운 기준을 제시합니다.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

공통 태그로 연결된 공개 논문이 아직 없습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.