LLMGreenRec: LLM-Based Multi-Agent Recommender System for Sustainable E-Commerce

이 논문은 지속 가능한 전자상거래를 위해 사용자 의도를 정밀하게 파악하여 친환경 제품을 추천하고 불필요한 상호작용을 줄임으로써 시스템 자체의 탄소 발자국까지 최소화하는 LLM 기반 다중 에이전트 추천 시스템 'LLMGreenRec'을 제안합니다.

핵심

🌍 핵심 아이디어: "친환경 쇼핑을 돕는 똑똑한 비서단"

기존의 쇼핑 추천 시스템은 마치 "가장 인기 있는 상품을 무조건 밀어주는 대형 마트 알바" 같았습니다. 인기 있는 제품만 보여줘서 구매를 빨리 하게 만들지만, 환경에 좋은 제품은 잘 보이지 않게 하거나, 사용자가 원하는 것을 정확히 못 알아채서 여러 번 검색하게 만들어 에너지를 낭비했습니다.

LLMGreenRec은 이 문제를 해결하기 위해 **6 명의 전문가로 구성된 '비서단 (Multi-Agent)'**을 도입했습니다. 이 비서단들은 거대한 언어 모델 (LLM) 을 기반으로 하여, 사용자의 숨겨진 의도를 파악하고 친환경 제품을 찾아냅니다.

🛠️ 시스템이 어떻게 작동할까요? (3 단계 과정)

이 시스템은 쇼핑을 도와주는 두 단계의 필터링 과정을 거칩니다.

1 단계: "초고속 선별기" (Reranker)

• 비유: 쇼핑몰에 있는 100 만 개의 상품 중, 사용자가 지금 보고 있는 장바구니와 관련된 **가장 유력한 20 개 상품만 골라내는 '초고속 스크리너'**입니다.
• 역할: 모든 상품을 다 분석하면 시간과 전기가 많이 들죠? 그래서 먼저 관련 없는 상품 80 개는 과감히 버리고, 진짜 관심 있을 만한 20 개만 남깁니다. 이렇게 하면 시스템이 에너지를 덜 쓰게 됩니다.

2 단계: "6 인조 비서단" (Multi-Agent Framework)

나머지 20 개 상품을 가지고, 6 명의 AI 비서들이 돌아가며 가장 좋은 추천을 찾아냅니다. 이들은 마치 프로젝트 관리 팀처럼 일합니다.

1. 평가자 (Evaluate): "이 상품들이 사용자에게 잘 맞을까?" 먼저 추천 리스트를 만들어 봅니다.
2. 오류 탐지기 (DetectError): "잠깐, 우리가 원하는 친환경 제품이 리스트 상단에 없네? 이건 실수야!"라고 신호를 보냅니다.
3. 이유 분석가 (InferReason): "왜 실수가 났을까? 아, 사용자가 최근 '재활용 소재'에 관심이 많았는데 그걸 반영하지 않았구나."라고 원인을 파악합니다.
4. 명령어 수정자 (RefinePrompt): "그렇다면 지시문을 고쳐보자. '친환경 제품을 더 강조해'라고 다시 써라."라고 프롬프트 (명령어) 를 수정합니다.
5. 다양성 창출자 (Augment): "같은 뜻이라도 다르게 표현해 볼까? '재활용' 대신 '지구를 아끼는 제품'이라고 해보자."라고 여러 가지 표현을 만들어냅니다.
6. 최종 선택자 (Select): "이중에서 가장 효과가 좋은 표현을 골라 다음 단계로 보내자." (이때는 성공 확률이 높은 것을 고르거나, 새로운 것을 시도해 보는 '탐험'을 병행합니다.)

이 과정이 반복되면서 시스템은 **사용자의 진짜 의도 (예: "환경에 좋은 것을 사고 싶다")**를 점점 더 잘 이해하게 되고, 불필요한 검색을 줄여줍니다.

🌱 왜 이것이 중요한가요?

이 연구는 두 가지 큰 문제를 동시에 해결합니다.

1. 의도와 행동의 괴리 해소: 많은 사람이 "친환경 제품을 사고 싶다"고 생각하지만, 실제로는 찾기 어렵거나 귀찮아서 일반 제품을 삽니다. 이 시스템은 사용자가 검색하기 전에 이미 환경 친화적인 대안을 먼저 보여줌으로써, 좋은 의도를 실제 구매로 연결해 줍니다.
2. 디지털 탄소 발자국 감소: 사용자가 원하는 것을 빨리 찾아주면, 불필요한 클릭과 검색이 줄어듭니다. 이는 데이터 센터의 에너지 소비를 줄여 시스템 자체가 환경에 더 친숙해지도록 만듭니다.

📊 결과: 실제로 효과가 있을까요?

실험 결과, 이 시스템은 기존 방법들보다 더 정확하게 사용자의 다음 행동을 예측했습니다. 특히 친환경 제품을 추천할 때, 사용자가 원하는 제품을 상위 5 개 안에 넣는 성공률이 55% 이상으로 매우 높았습니다.

💡 한 줄 요약

"LLMGreenRec 은 6 명의 AI 비서들이 팀을 이루어, 사용자가 환경에 좋은 물건을 쉽게 찾도록 도와주면서, 시스템이 에너지를 아끼게 만드는 똑똑한 쇼핑 도우미입니다."

이 기술은 앞으로 우리가 온라인 쇼핑을 할 때, 단순히 '무엇을 사는지'를 넘어 **'어떻게 더 책임 있게 소비할지'**를 자연스럽게 안내해 줄 것입니다.

기술 요약

1. 문제 정의 (Problem Definition)

• 이중적 과제 (Dual Challenge): 전자상거래의 급성장은 사용자 클릭과 검색으로 인한 데이터센터의 에너지 소비 증가 (디지털 탄소 발자국) 를 초래하고 있습니다. 동시에 소비자들은 지속 가능한 제품을 원하지만, 실제 구매 행동과는 괴리 (Say-Do Gap) 가 존재합니다.
• 기존 시스템의 한계:
  • 단기 전환율 최적화: 기존 세션 기반 추천 시스템은 인기 상품이나 단기 전환에 최적화되어 있어, 사용자의 복잡한 '지속 가능성 (Green)' 의도를 파악하지 못합니다.
  • 정보 과부하: 방대한 상품 정보 속에서 친환경 대안을 찾기 어려워 사용자가 결정 피로 (Decision Fatigue) 를 느끼고 익숙한 비친환경 옵션으로 회귀하게 됩니다.
  • 에너지 비효율: 불필요한 스크롤과 검색 반복은 서버 에너지를 낭비하며, 소규모 친환경 브랜드가 대형 브랜드에 비해 노출되지 못하게 만듭니다.
• 목표: 사용자의 친환경 의도를 정확히 파악하여 지속 가능한 상품을 추천하면서도, 불필요한 상호작용을 줄여 시스템 자체의 에너지 소비를 최소화하는 새로운 추천 시스템의 필요성이 대두되었습니다.

2. 방법론 (Methodology)

논문은 LLMGreenRec이라는 2 단계 아키텍처를 제안합니다.

A. 1 단계: 리랭커 (Reranker) 모델을 통한 후보군 필터링

• 입력: 현재 세션의 상호작용 데이터 ($S$) 와 전체 카탈로그에서 무작위 추출한 100 개의 초기 후보 상품 ($C_{inp}$).
• 프로세스:
  • Cross-encoder Reranker를 사용하여 세션 내 각 아이템과 후보 상품 간의 관련성을 평가합니다.
  • Sentence Transformer 를 통해 시맨틱 임베딩을 생성하고, Classifier 를 통해 관련성 점수 (0~1) 를 산출합니다.
  • 세션 내 모든 아이템과의 평균 점수를 계산하여 상위 20 개 상품 ($C_{filter}$) 만 선별합니다.
• 효과: 계산 자원을 집중할 수 있도록 후보군을 100 개에서 20 개로 축소하여 후속 LLM 처리의 효율성을 높입니다.

B. 2 단계: 다중 에이전트 (Multi-Agent) 프레임워크를 통한 프롬프트 최적화

선별된 20 개 후보를 바탕으로 6 개의 전문 LLM 에이전트가 협력하여 사용자의 의도를 추론하고 지속 가능한 상품을 추천합니다. 이 과정은 자동화된 프롬프트 최적화 (Automated Prompt Optimization) 사이클을 따릅니다.

1. Evaluate Agent: 초기 프롬프트와 세션 데이터를 기반으로 상품 랭킹을 생성합니다.
2. DetectError Agent: 생성된 랭킹에서 정답 (Ground-truth) 이 특정 임계값 (예: Top 10) 이하로 떨어지면 오류를 감지하고 플래그를 설정합니다.
3. InferReason Agent: 오류 발생 시, LLM 의 자기 성찰 (Self-reflection) 메커니즘을 통해 오류의 근본 원인 (예: "프롬프트가 최근 사용자 행동을 반영하지 못함") 을 추론합니다.
4. RefinePrompt Agent: 추론된 원인을 바탕으로 프롬프트를 수정하고 개선된 새로운 프롬프트를 생성합니다.
5. Augment Agent: 개선된 프롬프트의 다양한 변형 (Paraphrasing) 을 생성하여 탐색 공간을 확장합니다.
6. Select Agent: UCB (Upper Confidence Bound) 알고리즘을 사용하여 '탐색 (Exploration)'과 '활용 (Exploitation)'을 균형 있게 조절하며, 가장 성능이 좋은 프롬프트를 선택하여 다음 반복에 사용합니다.

이 사이클을 통해 시스템은 사용자의 의도를 더 정확히 파악하고, 지속 가능성 기준을 자연스럽게 통합한 최적의 추천을 수행합니다.

3. 주요 기여 (Key Contributions)

1. 지속 가능성을 고려한 세션 기반 추천 시스템: 사용자의 친환경 의도를 명시적으로 모델링하여, 기존 시스템이 간과하던 지속 가능한 상품을 우선순위로 추천합니다.
2. LLM 기반 다중 에이전트 자기 교정 메커니즘: 단순한 LLM 프롬프팅을 넘어, 오류 감지, 원인 추론, 프롬프트 자동 최적화를 수행하는 6 에이전트 협력 구조를 도입하여 추천 정확도와 적응성을 극대화했습니다.
3. 에너지 효율성 달성: 불필요한 상호작용을 줄이고 정확한 추천을 통해 사용자의 탐색 시간을 단축함으로써, 전자상거래 플랫폼의 전체적인 디지털 탄소 발자국을 감소시킵니다.
4. 녹색 경제 활성화: 소규모 친환경 브랜드가 대형 브랜드에 묻히지 않고 사용자에게 도달할 수 있도록 하여, 지속 가능한 소비 생태계를 조성합니다.

4. 실험 결과 (Results)

• 데이터셋: MovieLens-1M, Amazon Games, Bundle (전자/의류/식품) 등 3 개 실세계 데이터셋을 사용했습니다.
• 비교 대상: 전통적 방법 (MostPop, SKNN), 딥러닝 기반 (NARM, STAMP, GCE-GNN 등), 다중 의도 모델 (MCPRN, HIDE), 그리고 최신 LLM 기반 모델 (NIR, PO4ISR) 과 비교했습니다.
• 성과:
  • 일반 추천 성능 (RQ1): LLMGreenRec 은 모든 데이터셋과 평가 지표 (HR@K, NDCG@K) 에서 기존 최상위 모델 (PO4ISR 등) 을 압도적으로 능가했습니다. 특히 Games 데이터셋에서 HR@5 기준 PO4ISR 대비 26.6% 향상, Bundle 데이터셋에서 NDCG@5 기준 40.7% 향상되었습니다.
  • 지속 가능한 추천 성능 (RQ2): Bundle 데이터셋에서 지속 가능한 상품 추천 시, 정답이 Top 1 에 랭크될 확률 (HR@1) 이 39.5%, Top 5 에 포함될 확률 (HR@5) 이 55.0% 로 매우 높은 성능을 입증했습니다.

5. 의의 및 결론 (Significance)

• 기술적 혁신: LLM 의 추론 능력과 다중 에이전트 시스템을 결합하여, 사용자의 복잡한 의도 (특히 지속 가능성) 를 파악하고 실시간으로 프롬프트를 최적화하는 새로운 추천 패러다임을 제시했습니다.
• 사회적 가치: 단순한 기술 개선을 넘어, 소비자의 '의도'와 '행동' 사이의 간극을 해소하고, 에너지 효율적인 디지털 경제를 실현하는 전략적 솔루션을 제공합니다.
• 미래 전망: 이 연구는 가치 기반 (Value-driven) 전자상거래의 새로운 표준을 제시하며, 윤리적 정렬이 된 개인화 시스템과 더 정교한 지속 가능한 추천 시스템 개발의 토대가 됩니다.

요약하자면, LLMGreenRec은 LLM 의 강력한 언어 이해력과 다중 에이전트의 자기 교정 능력을 활용하여, 사용자에게는 더 나은 지속 가능한 선택을 제공하고 플랫폼에는 에너지 효율성을 동시에 달성하는 혁신적인 추천 시스템입니다.