Improving the Performance of Sequential Recommendation Systems with an Extended Large Language Model
Abstract
최근 인공지능(AI) 분야에서 주요 기술 기업들 간의 경쟁이 심화되면서, 언어 이해 및 문맥 기반 추론 능력이 향상된 새로운 대규모 언어 모델(LLM)이 지속적으로 출시되고 있다. 이러한 발전은 LLM 기반 추천 시스템에서 훈련 데이터의 품질 향상과 아키텍처 설계를 통해, 보다 효율적인 개인화 추천을 가능하게 할 것으로 판단된다. 그러나 많은 기존 연구에서는 이러한 최근의 발전을 고려하지 않고 있다. 본 연구에서는 LlamaRec 프레임워크에서 Llama2를 Llama3로 교체하여 LLM 기반 추천 시스템의 성능을 향상시키는 방법을 제안하였다. 정확한 비교를 위해 무작위 시드 값을 설정하고, 전처리 및 학습 단계에서 동일한 입력 데이터를 제공하였다. 실험 결과, ML-100K, Beauty, Games 데이터셋에서 각각 평균 38.65%, 8.69%, 8.19%의 성능 향상이 나타났으며, 제안한 방법의 실용성을 입증하였다. 특히, 모델 교체만으로도 이러한 성능 향상이 가능하다는 점은 시스템 구조를 변경하지 않고도 비용 효율적으로 추천 품질을 향상시킬 수 있음을 시사한다. 이러한 결과를 바탕으로, 본 연구에서 제안한 접근 방식이 기존 추천 시스템의 성능을 향상시키는 실용적인 해결책으로 활용될 것을 기대한다.
Fields of Study & Subjects
Recommender Systems and Techniques
Big Data and Digital Economy
Explainable Artificial Intelligence (XAI)
Publication details
- Journal / source
- Journal of the Korea Academia-Industrial cooperation Society
- Volume
- 27
- Issue
- 5
- Pages
- 467–478
- Publication date
- 31 May 2026
- Language
- EN