기술 요약: 콘텐츠 추천을 위한 역 이론적 마음 모델링 (Inverse Theory of Mind Modeling)

문제 정의

현대의 추천 시스템은 주로 관찰된 상호작용 이력(클릭, 조회, 스크롤)에 의존하여 미래의 행동을 예측합니다. 이러한 방식은 특정 상호작용 유형 내에서 다음 아이템을 예측하는 데는 효과적이지만, 다음과 같은 세 가지 결정적인 한계를 가집니다:

1. 범위 제한적 예측 (Scope-Bound Prediction): 이들은 특정 행동(예: 클릭)의 통계적 패턴은 학습하지만, 그러한 행동을 유도하는 근본적인 논리, 목표 또는 성격 특성을 추론하지는 못합니다.
2. 새로운 모달리티 적응 능력 부재: 인터페이스가 생성형 UI 및 몰입형 확장 현실(XR)로 진화함에 따라, 시스템은 단순히 무엇을 보여줄 것인가를 넘어, 어디서, 언제, 어떻게 제시할 것까지 결정해야 합니다. 상호작용 이력만으로는 이러한 결정을 내리는 데 필요한 풍부한 사용자 맥락이 부족합니다.
3. 페르소나 기반 방법론의 데이터 비효율성: 전통적인 페르소나 기반 접근 방식은 풍부한 사용자 모델(관심사, 가치관, 성격)을 제공하지만, 비용이 많이 들고 침해적인 질적 데이터(인터뷰, 설문조사)에 의존하며 이는 확장성이 떨어집니다.

핵심 문제는 질적인 데이터를 명시적으로 수집하지 않고도, 데이터가 풍부한 상호작용 흔적과 풍부하고 모달리티에 구애받지 않는 사용자 이해 사이를 연결할 메커니즘이 부족하다는 점입니다.

방법론: 역 이론적 마음 (IToM) 파이프라인

저자들은 관찰된 행동으로부터 그 행동을 설명하는 신념, 선호도, 의사결정 특성을 역으로 추론하는 역 이론적 마음 (Inverse Theory of Mind, IToM) 파이프라인을 제안합니다. 이 접근 방식은 사용자 모델링을 관찰된 증거(행동)로부터 최선의 설명(신념/페르소나)을 찾아내는 귀추적 추론(abductive inference) 문제로 취급합니다.

이 파이프라인은 LLM을 근사적 역 추론기로 활용하여 다섯 단계의 순차적 과정을 거칩니다:

1. 행동 요약 (Action Summarization): 원시 상호작용 이벤트(클릭, 입력, 스크롤)를 간결한 자연어 문장으로 변환합니다. 복잡한 행동은 LLM을 통해 제품 상세 정보를 포함하며, 단순한 행동은 결정론적 규칙을 사용합니다.
2. 지각 재구성 (Percept Reconstruction): 표준 로그에 결여된 의사결정 맥락을 해결하기 위해, 시스템은 각 행동에 대한 "지각(percept)"을 재구성합니다. 행동 요약과 페이지 HTML을 사용하여 LLM은 다음을 식별합니다:
   • 주요 선택지 (Main choices): 주요 결정 집합.
   • 부차적 선택지 (Sub choices): 이차적 대안들.
   • 기타 선택지 (Other choices): 무관한 옵션들.
   • 사용자 선택 (User choice): 실제 수행된 행동.
     이 재구성은 역 추론에 필수적인 "고려 집합(consideration set)"을 구축합니다.
3. 역방향 신념 추론 (Backward Belief Inference): 시스템은 두 단계에서 귀추적 추론을 수행합니다:
   • 행동 단위 (Action-Level): 선택된 옵션을 거절된 대안들과 비교함으로써 개별 행동에 대한 미세 신호(구체적인 선호도, 세밀한 특성)를 추론합니다.
   • 세션 단위 (Session-Level): 행동 단위의 가설을 집계하여 세션 전반의 거시적 패턴(라이프스타일 신호, 의사결정 스타일)을 식별합니다.
   • 제약 조건: 모든 신념은 재구성된 지각에 근거해야 하며, 환각을 방지하기 위해 반드시 특정 선택/거절 옵션을 인용해야 합니다.
4. 신념 최적화 (Belief Optimization): 초기 후보 집합은 종종 중복될 수 있습니다. 시스템은 **최대 한계 관련성 (Maximal Marginality Relevance, MMR)**을 적용하여, 일반적인 쇼핑 관련 표현보다 희귀하고 독특한 추론을 우선시하는 작고 다양한 신념의 하위 집합을 선택합니다.
5. 다중 가설 페르소나 합성 (Multi-Hypothesis Persona Synthesis): 행동적 증거는 불충분하게 결정될 수 있음(동일한 행동을 설명할 수 있는 여러 성격 유형이 존재함)을 인식하여, 시스템은 $M$개의 다양한 페르소나 가설을 생성합니다.
   • 각 가설은 프로필(관심사, 가치관), 쇼핑 프로필, 증거 신뢰 수준을 포함합니다.
   • 최종 예측(예: 성격 점수)은 **신뢰도 가중 집계 (confidence-weighted aggregation)**를 통해 도출됩니다. 증거가 약할 때 시스템은 인구 통계적 사전 확률(population priors)에 적응하고, 증거가 강할 때는 가설에 의존합니다. 이 메커니즘은 단일 해석이 고정관념으로 흐르는 "페르소나 편향"을 완화하도록 설계되었습니다.

주요 기여

1. IToM 패러다임: 본 논문은 상호작용 기반 추천 시스템과 페르소나 기반 방법론 사이의 가교로서 역 이론적 마음을 소개하며, 이를 행동 흔적만으로 페르소나를 구축하는 다단계 귀추적 추론 파이프라인으로 구현합니다.
2. 다중 가설 페르소나 합성: 동일한 증거에 대해 다양한 성격 해석을 생성하고, 이를 적응형 신뢰도 가중치를 통해 집계하는 새로운 접근 방식을 제시합니다. 이는 단일한 잠재적 고정관념에 빠지는 것을 방지합니다.
3. OPeRA를 통한 검증: 본 접근 방식은 아마존 브라우징 로그와 실제 인터뷰 녹취록, 성격 평가, 쇼핑 태도 설문조사가 결합된 독특한 OPeRA 데이터셋을 통해 검증되었습니다.
4. 교차 모달 전이 가능성 (Cross-Modal Transferability): 2D 웹 브라우징 데이터에서 추론된 페르소나가 재학습 없이 3D 공간 인터페이스 레이아웃과 콘텐츠 선택을 주도할 수 있음을 보여주는 VisionOS 기반의 개념 증명(PoC)을 제시합니다.

실험 결과

파이프라인은 OPeRA 데이터셋의 46명의 사용자를 대상으로 네 가지 작업에 대해 평가되었습니다:

• 다음 행동 예측 (Next Action Prediction): 추론된 페르소나는 Claude Opus 4.6 모델에서 인터뷰를 통해 구성된 실제(Ground-Truth, GT) 페르ソ나보다 우수한 성능을 보였으며, 행동 생성 정확도에서 50.6%의 상대적 향상(25.69% vs 17.06%)을 달s성했습니다. 이는 행동 에피소드에 근거한 페르소나가 추상적인 특성 요약보다 노이즈를 줄이는 데 효과적임을 시사합니다.
• 쇼핑 카테고리 예측 (Shopping Category Prediction): 다중 가설 페르소나는 Hit@3 = 100% 및 NDCG@5 = 0.701을 달성하며, 제로샷 LLM 및 휴리스틱 베이스라인보다 높은 성능을 보였습니다.
• Big Five 성격 예측 (Big Five Personality Prediction): 이 방법은 평균 절대 오차(MAE) 0.762를 기록하여 인구 통계적 규범(0.836)보다 우수했으며, 오라클 베이스라인과의 격차를 88%까지 좁혔습니다. 결정적으로, 단일 해석 베이스라인은 **역상관 관계(negative Pearson $r$)**를 보이는 예측을 생성한 반면, 다중 가설 집계는 이를 양의 상관관계($r = +0.103$)로 전환하여 체계적인 "페르소나 편향"을 교정했습니다.
• 쇼핑 태도 정렬 (Shopping Attitude Alignment): 추론된 페르소나는 자기 보고식 쇼핑 태도(예: 가격 민감도, 조사 습관)를 예측하는 데 있어 76.6%의 정규화된 정확도를 달성하며, 단일 해석 절제 모델보다 우수한 성능을 보였습니다.

의의 및 주장

본 논문은 IToM 파이프라인이 별도의 질적 데이터 없이도 일반적인 상호작용 흔적으로부터 페르소나 수준의 이해를 성공적으로 추출한다고 주장합니다. 그 의의는 다음과 같습니다:

• 확장성: 인터뷰 및 설문조사 수집의 병목 현상을 제거하여, 풍부한 사용자 모델링을 실제 운영 시스템에서 가능하게 합니다.
• 해석 가능성: 불투명한 잠재 벡터와 달리, 감사 가능하고 설명 가능한 자연어 페르소나를 생성합니다.
• 모달리티 불가지론 (Modality Agnosticism): 출력값이 특정 인터페이스의 상호작용 방식이 아닌 '왜' 그렇게 행동하는지에 대한 인지적 프로필이기 때문에, 재학습 없이 2D 웹에서 3D XR과 같은 새로운 모달리티로 직접 전이될 수 있습니다.
• 편향 교정: 다중 가설 접근 방식이 성격 추론에 있어 필수적임을 입증하여, 증거가 모호할 때 시스템이 고정관념으로 치우치는 것을 방지합니다.

저자들은 단일 도메인(아마존 쇼핑)에 대한 의존, 중간 규모의 샘물 크기, 그리고 XR 애플리케이션이 추가적인 통제 연구가 필요한 개념 증명 단계라는 점 등 한계점을 언급하였습니다. 그러나 본 연구는 데이터 효율적이고 일반화 가능하며 개인화된 상호작용 시스템을 위한 새로운 프레임워크를 구축하였습니다.