LLM-Rec: 대형 언어 모델 프롬프팅을 통한 개인화된 추천

초록

우리는 대규모 언어 모델(LLM)을 활용한 개인화 콘텐츠 추천 성능 향상을 위해 다양한 프롬프트 전략을 입력 증강을 통해 조사합니다. 우리가 제안한 접근 방식인 LLM-Rec은 네 가지 구별되는 프롬프트 전략을 포함합니다: (1) 기본 프롬프트, (2) 추천 중심 프롬프트, (3) 참여 유도 프롬프트, (4) 추천 중심 + 참여 유도 프롬프트. 실험 결과, 이러한 프롬프트 전략을 사용하여 LLM이 생성한 증강 입력 텍스트를 원본 콘텐츠 설명과 결합하면 추천 성능이 향상되는 것으로 나타났습니다. 이 결과는 개인화 콘텐츠 추천을 위해 대규모 언어 모델의 추천 능력을 향상시키기 위해 다양한 프롬프트와 입력 증강 기술을 통합하는 것의 중요성을 강조합니다.

English

We investigate various prompting strategies for enhancing personalized content recommendation performance with large language models (LLMs) through input augmentation. Our proposed approach, termed LLM-Rec, encompasses four distinct prompting strategies: (1) basic prompting, (2) recommendation-driven prompting, (3) engagement-guided prompting, and (4) recommendation-driven + engagement-guided prompting. Our empirical experiments show that combining the original content description with the augmented input text generated by LLM using these prompting strategies leads to improved recommendation performance. This finding highlights the importance of incorporating diverse prompts and input augmentation techniques to enhance the recommendation capabilities with large language models for personalized content recommendation.

LLM-Rec: 대형 언어 모델 프롬프팅을 통한 개인화된 추천

LLM-Rec: Personalized Recommendation via Prompting Large Language Models

초록

Support