사용자에게 주도권을: 프롬프트 기반 추천 패러다임을 향하여

Give Users the Wheel: Towards Promptable Recommendation Paradigm

기존의 순차 추천 모델들은 암시적인 행동 패턴을 마이닝하는 데 괄목할 만한 성공을 거두었다. 그러나 이러한 아키텍처는 구조적으로 명시적인 사용자 의도를 파악하지 못하는 맹점을 지니고 있다. 즉, 사용자의 당면한 목표(예: 자연어 프롬프트를 통해 표현됨)가 과거의 습관에서 벗어날 때 적응하는 데 어려움을 겪는다. 대형 언어 모델(LLM)이 이러한 의도를 해석할 수 있는 의미론적 추론 능력을 제공하지만, 기존의 통합 패러다임은 다음과 같은 딜레마를 야기한다. 추천자로서의 LLM(LLM-as-a-recommender) 패러다임은 ID 기반 검색의 효율성과 협업적 정밀도를 희생시키는 반면, 재순위화(Reranking) 방법은 본질적으로 기반 모델의 재현율(recall) 성능에 의해 병목 현상을 겪는다. 본 논문에서는 기존 순차 백본이 협업 신호를 포기하지 않으면서도 자연어를 사용해 검색 과정을 동적으로 조종할 수 있는 기능인 프롬프트 기반 추천(Promptable Recommendation)을 기본적으로 지원할 수 있도록 하는 모델 독립적(model-agnostic) 프레임워크, 분리형 프롬프트 기반 순차 추천(Decoupled Promptable Sequential Recommendation, DPR)을 제안한다. DPR은 검색 공간 내에서 직접 사용자의 잠재 표현을 변조한다. 이를 달성하기 위해, 협업 신호와 의미론적 신호를 정렬하는 융합(Fusion) 모듈, 긍정적 조종과 부정적 조종에서 발생하는 상충되는 기울기를 분리하는 전문가 혼합(MoE) 아키텍처, 그리고 프롬프트의 의미 공간을 협업 공간과 점진적으로 정렬하는 3단계 학습 전략을 도입한다. 실제 데이터셋에 대한 광범위한 실험을 통해 DPR이 프롬프트 유도 작업에서 최첨단 베이스라인을 크게 능가하는 동시에, 표준 순차 추천 시나리오에서도 경쟁력 있는 성능을 유지함을 입증한다.

Conventional sequential recommendation models have achieved remarkable success in mining implicit behavioral patterns. However, these architectures remain structurally blind to explicit user intent: they struggle to adapt when a user's immediate goal (e.g., expressed via a natural language prompt) deviates from their historical habits. While Large Language Models (LLMs) offer the semantic reasoning to interpret such intent, existing integration paradigms force a dilemma: LLM-as-a-recommender paradigm sacrifices the efficiency and collaborative precision of ID-based retrieval, while Reranking methods are inherently bottlenecked by the recall capabilities of the underlying model. In this paper, we propose Decoupled Promptable Sequential Recommendation (DPR), a model-agnostic framework that empowers conventional sequential backbones to natively support Promptable Recommendation, the ability to dynamically steer the retrieval process using natural language without abandoning collaborative signals. DPR modulates the latent user representation directly within the retrieval space. To achieve this, we introduce a Fusion module to align the collaborative and semantic signals, a Mixture-of-Experts (MoE) architecture that disentangles the conflicting gradients from positive and negative steering, and a three-stage training strategy that progressively aligns the semantic space of prompts with the collaborative space. Extensive experiments on real-world datasets demonstrate that DPR significantly outperforms state-of-the-art baselines in prompt-guided tasks while maintaining competitive performance in standard sequential recommendation scenarios.