Key points are not available for this paper at this time.
온라인 서비스와 웹 애플리케이션의 급속한 발전으로 인해 추천 시스템(RS)은 정보 과부하를 완화하고 사용자 정보 요구에 맞춘 개인화된 제안을 제공하는 데 점점 더 필수불가결해졌습니다. 추천 시스템 연구 커뮤니티는 지난 수십 년 동안 상당한 발전을 이루었지만, 기존 추천 모델(CRM)은 여전히 몇 가지 한계가 있습니다. 예를 들어, 개방형 세계 지식의 부족과 사용자 기본 선호도 및 동기를 이해하는 데 어려움이 있습니다. 한편, 대규모 언어 모델(LLM)은 다양한 자연어 처리(NLP) 작업을 위해 인상적인 일반 지능과 인간과 유사한 능력을 보여주었으며, 이는 주로 그들의 방대한 개방형 세계 지식, 논리적 및 상식적 추론 능력, 그리고 인간 문화와 사회에 대한 이해에서 비롯됩니다. 따라서 LLM의 출현은 추천 시스템 디자인에 영감을 주고 있으며, CRM의 한계를 보완하기 위해 LLM을 통합하고 그들의 공통 지식과 능력으로부터 혜택을 받을 수 있는지에 대한 유망한 연구 방향을 제시하고 있습니다. 본 논문에서는 이 연구 방향에 대한 포괄적인 조사를 실시하고, 실제 추천 시스템의 전체 파이프라인 관점에서 조망을 제공합니다. 구체적으로, 우리는 LLM을 RS에 적응시키는 두 가지 직교적 측면에서 기존 연구 작업을 요약합니다: 어디서 그리고 어떻게 LLM을 RS에 적응시킬 것인가. “어디서” 질문에 대해 우리는 추천 파이프라인의 다양한 단계에서 LLM이 수행할 수 있는 역할을 논의합니다. 즉, 특징 엔지니어링, 특징 인코더, 점수/순위 함수, 사용자 상호작용 및 파이프라인 제어기입니다. “어떻게” 질문에 대해 우리는 훈련 및 추론 전략을 조사하여 LLM을 훈련 중 조정할 것인지 여부와 추론을 위해 기존 추천 모델을 포함할 것인지 여부라는 두 가지 세분화된 분류 기준을 도출합니다. 두 가지 질문 각각에 대해 상세한 분석과 일반 개발 경로를 제공합니다. 그런 다음 우리는 효율성, 효과성 및 윤리라는 세 가지 측면에서 LLM을 RS에 적응시키는 주요 도전 과제를 강조합니다. 마지막으로 우리는 조사를 요약하고 미래 전망에 대해 논의합니다. LLM 강화 추천 시스템의 연구 커뮤니티를 더욱 촉진하기 위해 우리는 이 증가하는 방향의 논문 및 기타 관련 자료를 위한 GitHub 리포지토리를 적극적으로 유지 관리합니다.
Lin et al. (Sat,) 이 질문을 연구했습니다.