Kernkonzepte
대형 언어 모델의 시간적 정보 활용 능력을 향상시키는 체계적인 프롬프팅 프레임워크를 제안한다.
Zusammenfassung
이 논문은 대형 언어 모델(LLM)의 시간적 인식 능력을 향상시키기 위한 체계적인 프롬프팅 프레임워크를 제안한다.
- 순차적 추천 작업에서 LLM이 시간적 정보를 효과적으로 활용하지 못하는 문제를 확인했다.
- 이를 해결하기 위해 세 가지 프롬프팅 전략을 제안했다:
- 근접 시간 데모: 최근 상호작용 기록을 활용하여 시간 정보를 학습
- 전반적 관심사 데모: 전체 상호작용 기록에서 무작위로 선택한 항목을 활용
- 시간 구조 분석: 상호작용 기록을 시간적으로 유사한 클러스터로 분석하여 추가 정보 제공
- 이 전략들을 앙상블하여 최종 추천 결과를 생성한다.
- MovieLens-1M, Amazon Review 데이터셋에서 실험한 결과, 제안 방법이 LLM의 순차적 추천 성능을 크게 향상시킴을 보였다.
Statistiken
사용자가 이 영화들을 순서대로 시청했습니다: [item 1, item 2, ... item n-k]
이제 item n-k+1을 추천해주세요.
이제 item n-k+1을 시청했습니다.
Zitate
"LLM은 시간 정보를 인식하고 활용하는 데 한계가 있어 순차적 추천 작업에서 성능이 떨어진다."
"제안한 프롬프팅 전략들은 LLM의 시간적 인식 능력을 크게 향상시킬 수 있다."