R3-REC: 검색 증강 LLM을 활용한 추론 기반 추천 시스템 - 다중 수준의 관심 신호 기반

R3-REC: Reasoning-Driven Recommendation via Retrieval-Augmented LLMs over Multi-Granular Interest Signals

본 논문은 순차적 추천 시스템에서 발생하는 두 가지 주요 문제점을 다룬다. 첫째, 불충분한 증거, 콜드 스타트 문제, 그리고 노이즈가 많고 길이가 다양한 상품 설명 텍스트의 존재이다. 둘째, 장기 및 단기적인 관점에서 변화하는 다면적인 사용자의 의도를 명확하게 모델링하는 어려움이다. 우리는 R3-REC (Reasoning-Retrieval-Recommendation)이라는 프롬프트 중심의 검색 증강 프레임워크를 제안한다. 이 프레임워크는 다층 사용자 의도 추론, 상품 의미 추출, 장단기 관심 선호도 분석, 유사 사용자 협업 강화, 그리고 추론 기반 관심 일치 및 점수 부여를 통합한다. ML-1M, Games, Bundle 데이터셋에서 R3-REC는 강력한 신경망 및 LLM 모델을 능가하며, 최대 +10.2% (HR@1) 및 +6.4% (HR@5)의 성능 향상을 보인다. 또한, 실험 결과는 모든 모듈이 상호 보완적인 성능 향상을 가져온다는 것을 입증한다.

This paper addresses two persistent challenges in sequential recommendation: (i) evidence insufficiency-cold-start sparsity together with noisy, length-varying item texts; and (ii) opaque modeling of dynamic, multi-faceted intents across long/short horizons. We propose R3-REC (Reasoning-Retrieval-Recommendation), a prompt-centric, retrieval-augmented framework that unifies Multi-level User Intent Reasoning, Item Semantic Extraction, Long-Short Interest Polarity Mining, Similar User Collaborative Enhancement, and Reasoning-based Interest Matching and Scoring. Across ML-1M, Games, and Bundle, R3-REC consistently surpasses strong neural and LLM baselines, yielding improvements up to +10.2% (HR@1) and +6.4% (HR@5) with manageable end-to-end latency. Ablations corroborate complementary gains of all modules.