レコメンデーションは、個々のユーザーのニーズに応じてアイテム（例えば映画や製品）を順位付けするタスクである。現在のシステムは、協調フィルタリングやコンテンツベースの手法に依存しており、いずれも構造化された学習データを必要としている。本研究では、構造化されていないテキストコーパスのみを学習データとして用いる、市販の事前学習済み言語モデル（LM）を活用したレコメンデーションフレームワークを提案する。たとえば、ユーザー $u$u が『マトリックス』と『インセプション』を好んでいる場合、LMの尤度を用いて $u$u とアイテム $m$m の親和性を推定するため、テキストプロンプト「Movies like Matrix, Inception, ${<}m{>}$$」を構築する。本研究のアイデアは、コーパス分析によって裏付けられ、複数のプロンプト構造を評価し、異なるデータ環境で学習された標準的な行列因子分解と比較して、LMベースのレコメンデーションの性能を検証した。実験のコードは公開されており、以下のリンクからアクセス可能である（https://colab.research.google.com/drive/1f1mlZ-FGaLGdo5rPzxf3vemKllbh2esT?usp=sharing）。