사용자 댓글 피드백 예측은 온라인 플랫폼에서 중요한 문제로, 이는 자동 중재, 품질 평가 및 사용자 경험 향상 등에 영향을 미칩니다. GPT-5, Claude, Gemini 및 Qwen3-7B와 같은 대규모 언어 모델(LLMs)의 강력한 일반 추론 능력에도 불구하고 도메인 제약 작업에서의 성능은 상당히 다를 수 있으며 제공된 맥락과 외부 지식에 매우 민감합니다. 본 논문은 댓글 피드백 예측을 위한 혁신적인 검색 증강 프롬프트(RAP) 프레임워크를 제시합니다. 우리의 접근 방식은 외부 데이터 세트에서 의미적으로 가장 유사한 이력 댓글-피드백 쌍의 k 개를 검색하여 맥락 내의 몇 개의 샘플 예제로 LLM 프롬프트의 품질을 점진적으로 향상시킵니다. 우리는 다양한 온라인 시나리오에서 얻은 50000개의 댓글 평가로 구성된 전문 데이터 세트에서 실험을 진행합니다. 실험 결과는 우리의 GPT-5 + RAP 모델이 정확도, Macro-F1 및 설명 일관성에서 Qwen3-7B, Claude, Gemini 및 GPT-5 기준과 같은 최첨단 LLMs를 능가함을 보여줍니다.
Li et al. (Mon,)는 이 질문을 연구했습니다.