[논문 리뷰] Towards Next-Generation LLM-based Recommender Systems: A Survey and Beyond

Qi Wang, Jindong Li외 8명|arXiv (Cornell University)|2024. 10. 10.

Semantic Web and Ontologies인용 수 9

한 줄 요약

이 논문은 LLM 기반 추천 시스템을 위한 세단계 분류법—Representing and Understanding, Scheming and Utilizing, and Industrial Deploying—를 제시하고, LLM을 추천 시스템에 통합하는 개발, 과제 및 산업계의 격차를 논의한다.

ABSTRACT

Large language models (LLMs) have not only revolutionized the field of natural language processing (NLP) but also have the potential to bring a paradigm shift in many other fields due to their remarkable abilities of language understanding, as well as impressive generalization capabilities and reasoning skills. As a result, recent studies have actively attempted to harness the power of LLMs to improve recommender systems, and it is imperative to thoroughly review the recent advances and challenges of LLM-based recommender systems. Unlike existing work, this survey does not merely analyze the classifications of LLM-based recommendation systems according to the technical framework of LLMs. Instead, it investigates how LLMs can better serve recommendation tasks from the perspective of the recommender system community, thus enhancing the integration of large language models into the research of recommender system and its practical application. In addition, the long-standing gap between academic research and industrial applications related to recommender systems has not been well discussed, especially in the era of large language models. In this review, we introduce a novel taxonomy that originates from the intrinsic essence of recommendation, delving into the application of large language model-based recommendation systems and their industrial implementation. Specifically, we propose a three-tier structure that more accurately reflects the developmental progression of recommendation systems from research to practical implementation, including representing and understanding, scheming and utilizing, and industrial deployment. Furthermore, we discuss critical challenges and opportunities in this emerging field. A more up-to-date version of the papers is maintained at: https://github.com/jindongli-Ai/Next-Generation-LLM-based-Recommender-Systems-Survey.

연구 동기 및 목표

• 권장 시스템 커뮤니티 관점에서 LLM이 추천 시스템을 어떻게 향상시킬 수 있는지 설명한다.
• LLM 기반 추천 연구와 실천을 정리하기 위한 세단계 분류법을 제안한다.
• 학술 연구와 산업 배치 간의 격차를 포함한 도전과제와 기회를 논의한다.

제안 방법

• 기존 문헌을 검토하고 NLP 중심의 분류법을 넘어서는 통합적 관점을 합성한다.
• LLM 기반 추천 시스템을 위한 형식적 표기 프레임워크를 도입한다.
• 내재된 세단계 분류법을 정의하고 대표적 연구를 통해 구성요소를 설명한다.

Figure 1. An overview of the proposed three-tier taxonomy for LLM-based recommender systems: (a) representing and understanding, (b) scheming and utilizing, and (c) industrial deploying.

실험 결과

연구 질문

• RQ1 권장 시스템 커뮤니티의 관점에서 LLM이 추천 작업을 어떻게 개선할 수 있을까?
• RQ2 연구에서 산업 배치까지의 개발을 포착하는 포괄적 분류법은 무엇인가?
• RQ3 학술 연구와 산업 응용 간의 다리 놓기를 위한 핵심 도전과제와 기회는 무엇인가?

주요 결과

• LLM 기반 추천 시스템을 표현하고 활용하며 배포하기 위한 세단계 분류법이 제안된다.
• 이 조사는 LLM-Recs 분야에서 학술 연구와 산업 배치 간의 차이를 강조한다.
• 본 논문은 LLM 기반 추천 시스템의 표현, 계획 수립, 및 배포에서의 도전과 기회를 논의한다.

Figure 3. The general pipeline of LLM-based recommender systems.