A Multi-Faceted Recommender System for Mitigating Filter Bubbles

기존 추천 시스템은 사용자가 과거에 선호한 아이템과 유사한 상품만을 반복적으로 추천하는 필터 버블(Filter Bubble) 문제를 야기한다. 이는 기존 추천 시스템의 성능 평가가 지나치게 정확도 중심으로 이루어졌기 때문이며, 정확도와 다양성 간의 상충 관계로 인해 필터 버블 현상은 추천 시스템 연구 분야의 난제로 인식되어 왔다. 이에 본 연구에서는 아이템 추천 모델과 카테고리 추천 모델을 통합하여 다양한 후보를 선정하고, 두 가지 임베딩 정보를 활용하여 거대 언어 모델(Large Language Model, LLM) 기반 재 순위화를 수행하는 다면적 임베딩 통합 방법론(Multi-Faceted Embedding Integration)을 제안한다. 제안 방법론은 카테고리 선호도에 따라 후보군을 균형있게 구성한 후, 아이템 임베딩과 카테고리 임베딩을 프로젝터를 통해 변환하여 LLM 프롬프트에 주입하고 버벌라이저로 최종 순위를 도출한다. Amazon Toys & Games 데이터셋을 활용한 실험 결과 제안 방법론은 N-다양성 데이터셋에서 Recall@10 기준 LlamaRec 대비 45%, LRURec 대비 56%의 성능 향상을 보였으며, 전체 데이터셋에 대해서도 필터 버블을 고려한 기존 추천 모델보다 높은 정확도를 나타냈다. 결론적으로 본 연구에서 제안한 다면적 추천 시스템은 높은 수준의 정확도를 유지하면서도 아이템 추천의 다양성을 확보함을 확인하였으며, 이를 통해 전자상거래 플랫폼의 사용자 경험 개선과 상품 다양성 확보에 기여할 수 있을 것으로 기대된다.