대규모 언어 모델(LLM)은 의미 추론, 자연어 이해, 사용자에 맞춘 개인화 지원을 위해 추천 시스템에 점차 통합되고 있다. 그러나 정적인 매개변수 지식과 고정된 표상에 의존한다는 점은 동적 환경에서, 특히 롱테일 및 콜드스타트 조건에서의 견고성을 제한한다. 검색-보강(retrieval-augmented) 아키텍처는 LLM을 외부의 비매개변수 지식 소스에 기반시키는 방식으로 이러한 한계를 해결하기 위해 부상해 왔다. 본 체계적 문헌고찰은 2023년부터 2025년 사이 컨퍼런스와 저널에 게재된 138편의 동료검토(peer-reviewed) 연구를 종합하며, 검색-보강 및 LLM 강화 추천에 초점을 둔다. 우리는 (i) 도메인 적용, (ii) 의미 특성 및 표상 설계, (iii) 검색 및 개인화에 대한 알고리즘적 전략의 3차원 프레임워크를 통해 이들 연구를 분석한다. 고찰 결과, 현재 연구는 일반 추천과 정보 검색에 집중되어 있으며, 의미 모델링에서는 유사성/검색, 사용자-아이템 상호작용, 그리고 텍스트 콘텐츠 신호가 지배적으로 활용되고, LLM 및 BERT 스타일 인코더가 주요 표상 백본을 형성하는 반면, 그래프 기반, 멀티모달 및 하이브리드 접근은 상대적으로 덜 탐구되어 있음을 확인하였다. 알고리즘적으로는 대부분의 시스템이 검색 최적화, 강화학습 또는 구조를 인식하는 전략을 제한적으로 활용하는 범용적 LLM 중심 모델링을 채택하고 있으며, 콜드스타트의 명시적 처리, 환각(hallucination), 견고성(robustness) 대응에 대해서는 산발적인 관심만 나타난다. 또한 도메인 간 동시발생 패턴, 의미 특성, 표상 선택, 전략 계열 간의 관계를 매핑함으로써, 본 고찰은 검색-보강 추천을 위한 향후 연구에서의 구체적 공백과 전이 가능성을 규명하고, 더 맥락 인지적이며 설명 가능하고 데이터 효율적인 LLM 기반 추천 시스템을 설계하기 위한 구조화된 참고자료를 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.