Core Concepts
대규모 언어 모델(LLM)은 자연어 이해와 생성 능력, 일반화 및 추론 능력이 뛰어나므로 추천 시스템 분야에서 큰 잠재력을 보이고 있다.
Abstract
이 논문은 대규모 언어 모델(LLM)을 활용한 추천 시스템에 대해 체계적으로 검토한다. 먼저 추천 시스템과 LLM의 발전 과정을 살펴본다. 이어서 LLM을 활용한 두 가지 추천 시스템 유형, 즉 ID 기반 추천 시스템과 텍스트 부가 정보 기반 추천 시스템을 소개한다.
다음으로 LLM을 추천 시스템에 적용하는 세 가지 주요 접근법인 사전 학습, fine-tuning, 프롬프팅에 대해 자세히 다룬다. 사전 학습 단계에서는 마스크 언어 모델링, 다음 토큰 예측 등의 방법을 통해 LLM을 추천 시스템에 맞게 사전 학습한다. Fine-tuning 단계에서는 전체 모델 fine-tuning과 매개변수 효율적 fine-tuning 두 가지 방법을 소개한다. 프롬프팅 단계에서는 in-context learning, 프롬프트 튜닝, 지시 튜닝 등의 기법을 통해 LLM을 추천 시스템에 적용한다.
마지막으로 LLM을 추천 시스템에 적용할 때의 주요 과제와 향후 연구 방향을 논의한다.
Stats
대규모 언어 모델(LLM)은 수십억 개의 매개변수를 가지고 있다.
LLM은 자연어 이해와 생성, 일반화 및 추론 능력이 뛰어나다.
LLM을 활용한 추천 시스템은 기존 추천 시스템의 한계를 극복할 수 있다.
Quotes
"LLM은 자연어 이해와 생성, 일반화 및 추론 능력이 뛰어나므로 추천 시스템 분야에서 큰 잠재력을 보이고 있다."
"LLM을 활용한 추천 시스템은 기존 추천 시스템의 한계를 극복할 수 있다."