본 논문은 엔티티 매칭을 위한 사전 훈련된 언어 모델 대안으로서 생성형 거대 언어 모델(LLM)의 잠재력을 탐구한다. 기존 연구가 주로 프롬프트 엔지니어링과 문맥 내 학습에 집중한 것과 달리, 본 논문은 LLM의 파인튜닝에 초점을 맞춘다. 파인튜닝은 훈련 예시의 표현 방식(LLM이 생성한 다양한 유형의 설명 추가)과 훈련 예시의 선택 및 생성 방식 두 가지 측면에서 분석된다. 실험은 소규모 모델의 성능을 크게 향상시키는 반면, 대규모 모델의 결과는 엇갈렸음을 보여준다. 또한, 도메인 내 데이터셋에 대한 일반화는 향상시키지만, 도메인 간 전이 성능은 저하시킨다는 것을 확인했다. 구조화된 설명을 추가하는 것은 네 개의 LLM 중 세 개의 성능을 향상시켰고, 제안된 예시 선택 및 생성 방법은 Llama 3.1 8B의 성능만 향상시키고 GPT-4o-mini의 성능은 저하시켰다.
