본 논문은 세션 기반 추천(SBR) 시스템의 성능 향상을 위해 대규모 언어 모델(LLM)을 활용하는 새로운 프레임워크인 LLM4SBR을 제안합니다. 기존 SBR 방법론의 한계인 세션 데이터의 희소성 문제를 해결하기 위해, 아이템 설명에 담긴 풍부한 의미 정보를 활용하는 데 초점을 맞추었습니다. LLM4SBR은 세션 익명성, 짧은 시퀀스 길이, 높은 LLM 학습 비용 등의 어려움을 극복하기 위해, 다중 관점의 프롬프트를 활용하여 잠재적 사용자 의도를 추론하고, 의도 위치 확인 모듈을 통해 LLM의 환각 현상을 완화하는 2단계 프레임워크를 제시합니다. 1단계에서는 의미 수준에서 사용자 의도를 추론하고, 2단계에서는 이를 기존의 행동 기반 표현과 통합하여 최종 추천 결과를 도출합니다. 실제 데이터셋을 이용한 실험 결과, LLM4SBR이 기존 방법론보다 성능이 향상됨을 보여줍니다. 소스 코드는 공개되어 있습니다.
