Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 연구는 LLM 개인화를 위해 사회학적 이론을 접목한 계층적 사용자 모델링 프레임워크인 PHF를 제안합니다. 기존의 평면적 행동 집계 방식에서 벗어나 실천, 아비투스, 장의 세 단계로 사용자 행동을 구조화하여 성능과 해석 가능성을 높였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대규모 언어 모델 (LLMs)은 다양한 영역에서 놀라운 능력을 입증해 왔으나, 출력물을 개별 사용자에게 맞춤화하는 개인화 (Personalization) 문제는 여전히 해결해야 할 과제로 남아 있습니다. 기존의 접근 방식들은 주로 평면적인 행동 패러다임 (Flat behavioral paradigm)을 채택하여, 사용자 행동이 더 깊은 행동 구조로 어떻게 조직되는지에 대한 명시적인 설명 없이 행동들을 단순히 집계합니다. 본 연구에서는 Pierre Bourdieu의 실천 이론 (Theory of Practice)을 활용하여, LLM 개인화를 세 가지 계층적 수준으로 재개념화하는 사회학적 기반의 프레임워크인 PHF (Practice-Habitus-Field)를 제안합니다. 이는 개별 행동을 실천 (Practices)으로, 시간적 축적을 통해 안정적인 성향으로 굳어진 아비투스 (Habitus)로, 그리고 유사한 사용자들 사이의 공유된 규칙성을 장 (Fields)으로 정의합니다. 우리는 고정된 (Frozen) LLM을 기반으로 한 가볍고 모델 불가지론적 (Model-agnostic) 구현체인 $\mathrm{PHF}_{\text{Compass}}$를 통해 PHF를 구체화합니다. 언어 모델 개인화 (LaMP) 벤치마크를 통한 실험 결과, 다양한 작업에서 일관된 성능 향상을 입증하였으며, 추가 분석을 통해 학습된 행동 구조의 해석 가능성 (Interpretability)과 확장성 (Extensibility)을 검증하였습니다.