ARAG: Agentic Retrieval Augmented Generation for Personalized Recommendation

Walmart Global Tech는 개인화 추천을 위해 맥락 검색과 항목 순위 매기기를 정교화하는 에이전트형 멀티 에이전트 프레임워크 ARAG를 개발했다.

Walmart Global Tech는 개인화 추천을 위해 맥락 검색과 항목 순위 매기기를 정교화하는 에이전트형 멀티 에이전트 프레임워크 ARAG를 개발했다. 이 접근법은 다양한 Amazon 카테고리의 상품 추천 과제에서 베이스라인 대비 NDCG@5를 최대 42.12%, Hit@5를 35.54% 향상시키며 추천 정확도를 크게 개선한다.

핵심 요약

• 개인화 추천을 위한 기존 검색 증강 생성(RAG) 시스템은 미묘한 사용자 선호를 충분히 포착하지 못하는 단순한 검색 메커니즘(예: 코사인 유사도)에 의존한다.
• 기존 RAG 방법은 암묵적 선호를 이해하고, 긴 형식의 사용자 문서를 처리하며, 다면적 맥락 요인에 기반해 항목을 동적으로 순위 매기는 데 어려움을 겪는다.
• 추천에 대규모 언어 모델(LLM)을 직접 사용하는 것은 연산 부담이 크고 환각에 취약하며 고정된 지식 컷오프로 제한되어, 견고한 그라운딩이 필요하다.
• ARAG는 전문화된 LLM 에이전트들이 협력하여 개인화 추천을 위한 맥락 검색과 항목 순위를 정교화하는 멀티 에이전트 프레임워크를 제안한다.
• 복잡한 추천 과제를 분해하기 위해 사용자 이해 에이전트(UUA), 자연어 추론(NLI) 에이전트, 맥락 요약 에이전트(CSA), 항목 순위 에이전트(IRA)를 활용한다.
• 에이전트들은 칠판 방식 협업으로 동작하며, UUA와 NLI가 병렬로 실행된 뒤 CSA, 그다음 IRA가 이어져 사용자 선호를 종합하고 이를 후보 항목과 정렬한다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.