본 연구에서는 조리법에 대한 맥락 이해를 향상시키도록 특화해 미세조정된 사전학습 언어 모델(PLM)인 RecipeBuild를 제안한다. 본 모델은 인간이 작성한 조리법 제목과 요리 스타일 및 조리 방법과 같은 사용자 선호를 포함하는 요리 레시피 전반에서 보다 향상된 맥락적 이해를 목표로 학습되었다. RecipeBuild는 두 가지 핵심 과제에서 우수한 성능을 보인다. 첫째, 조리법 완성 과제(Recipe Completion Task)에서 적절한 재료를 추천한다. 둘째, 조리법 발상 과제(Recipe Ideation Task)에서 혁신적이고 다양한 재료 조합을 제안한다. 실험 결과, RecipeBuild는 조리법 완성 과제에서 기준(baseline) 모델들보다 뛰어난 성능을 보였으며 MRR 0.0798, 재현율(recall) 0.0794를 달성하였다. 또한 조리법 발상 과제에서는 Macro MRR 0.3606, Micro MRR 0.0641로 기준 모델 대비 우수한 성능을 나타내었다. 이는 다양한 식이 요구와 요리 문화를 반영하는 개인화되고 현실적인 조리 아이디어 생성을 위한 유용한 도구임을 시사한다. 재료 추천이라는 일반화된 과제를 다룸으로써 RecipeBuild는 조리법 표현 학습(recipe representation learning) 개선 가능성을 보여준다.

시장 예측을 활용하는 것은 포트폴리오 선택 전략을 최적화하는 데 핵심적이다. 본 연구에서는 포트폴리오 선택을 위한 새로운 프레임워크인 DeepClair를 제안한다. DeepClair는 트랜스포머 기반 시계열 예측 모델을 활용하여 시장 동향을 예측함으로써, 보다 정보에 기반하고 적응적인 포트폴리오 의사결정을 가능하게 한다. 예측 모델을 딥 강화학습 기반 포트폴리오 선택 프레임워크에 통합하기 위해, 우리는 2단계 전략을 도입하였다. 첫째, 시계열 모델을 시장 데이터로 사전 학습한 뒤, 둘째, 해당 모델을 사용하여 포트폴리오 선택 아키텍처를 미세조정한다. 또한, 투자 시나리오에서 미세조정을 위한 사전 학습 예측 모델을 향상시키기 위해 최적화 기법인 Low-Rank Adaptation (LoRA)를 조사하였다. 본 연구는 시장 예측과 포트폴리오 선택을 연결하여 투자 전략의 발전을 촉진한다.