초록
추천은 사용자 개인의 필요에 따라 아이템(예: 영화 또는 제품)을 순위 매기는 작업이다. 현재의 시스템은 협업 필터링과 콘텐츠 기반 기법에 의존하며, 이들 모두 구조화된 학습 데이터를 필요로 한다. 본 연구에서는 구조화된 학습 데이터 없이 단지 비구조화된 텍스트 코퍼스만을 사용하여 사전 학습된 언어 모델(LM)을 활용한 추천 프레임워크를 제안한다. 사용자 $u$가 \textit{매트릭스}와 \textit{인셉션}을 좋아한다고 가정할 때, 예를 들어 \textit{"매트릭스, 인셉션과 비슷한 영화, ${<}m{>}$"}와 같은 텍스트 프롬프트를 구성하여 언어 모델의 가능도를 통해 사용자 $u$와 아이템 $m$ 간의 유사도를 추정한다. 본 아이디어의 타당성을 위해 코퍼스 분석을 수행하고, 다양한 프롬프트 구조를 평가하였으며, 다양한 데이터 환경에서 학습된 표준 행렬 분해와 언어 모델 기반 추천을 비교하였다. 실험 코드는 공개되어 있으며, 다음과 같은 링크에서 확인할 수 있다(https://colab.research.google.com/drive/1f1mlZ-FGaLGdo5rPzxf3vemKllbh2esT?usp=sharing).