ChatGPT 在自然语言理解方面取得了显著的成功。为了将 ChatGPT 的基本模式应用于推荐任务，我们在项目索引级别上设计了一个新的聊天框架。我们的创新主要包括模型、训练和推断等三个方面。通过在离线公共数据集和在线 A/B 测试中进行实验证明了我们提出方法的有效性。

Apr, 2024

GPT4Rec 是一种用于流式推荐的图形提示调整方法，通过将图形模式解开为多个视图，并利用轻量级图形提示来引导模型适应用户 - 项目图中不同的交互模式，以综合理解图形并有效集成用户 - 项目交互的所有重要方面。

Jun, 2024

利用生成模型进行推荐系统和个性化问题的初步研究，提出了 Prompt-Model 检索和生成项排序的两阶段框架，并通过 GEMRec-18K 数据集展示了生成模型推荐的潜力和现有评估指标的局限性。

Aug, 2023

本文介绍了一种基于 ChatGPT 的 BookGPT 书籍推荐系统，利用大型语言模型技术实现了书籍的评分、用户评分和书籍概述等三项典型任务。同时，本文还讨论了 BookGPT 在书籍推荐场景中的优缺点，并分析了后续 LLM 在这些场景中的机遇和改进方向。

May, 2023

联邦推荐 （FR）是一种新的范式，它可以实现隐私保护推荐。然而，传统的 FR 系统通常使用离散标识符（IDs）来表示用户 / 物品，由于 FR 中的数据稀疏性和异质性而导致性能下降。相比之下，基于大型语言模型（LLMs）的推荐器已经在各种推荐场景中证明了其有效性。我们提出了 GPT-FedRec，这是一个利用 ChatGPT 和一种新的混合检索增强生成（RAG）机制的联邦推荐框架。GPT-FedRec 是一个两阶段的解决方案。第一阶段是混合检索过程，挖掘基于 ID 的用户模式和基于文本的物品特征。然后，将检索到的结果转换为文本提示，并输入 GPT 进行重新排序。我们提出的混合检索机制和基于 LLM 的重新排序旨在从数据中提取概括特征，并利用 LLM 内部的预训练知识，克服 FR 中的数据稀疏性和异质性。此外，RAG 方法还可以防止 LLM 的产生虚假数据，提高了针对真实用户的推荐性能。对多种基准数据集的实验结果表明，GPT-FedRec 相对于最先进的基线方法具有优越的性能。

Mar, 2024

使用大型语言模型 (LLM) 为基础的生成式推荐 (GenRec) 方法，通过解释上下文、学习用户偏好和生成相关推荐，充分利用大型语言模型编码的丰富知识，为推荐系统带来革命性的潜力和未来发展方向。

Jul, 2023

本研究旨在填补大型语言模型在推荐场景中的潜力研究空白，并通过实验评估 ChatGPT 在零样本推荐系统中的能力及其与标准推荐算法以及其他大型语言模型的对比表现。

Sep, 2023

在这篇论文中，我们研究了 ChatGPT 作为一个前 n 个对话式推荐系统的有效性，通过在 ChatGPT 周围建立一个严谨的流程来模拟用户如何实际查询模型以获得推荐，并通过反馈反复提示以优化推荐。我们进一步探讨了 ChatGPT 推荐中的流行度偏见，并将其与基准模型的表现进行了比较，发现通过反馈反复提示 ChatGPT 是改善推荐相关性的有效策略，并且可以通过提示工程来缓解流行度偏见。

Jan, 2024

该研究综述了新兴的信息系统中增强搜索和推荐领域中的生成式搜索和推荐模型，并从一个统一的角度总结了该领域的发展，提出了独特挑战、未解问题和未来发展方向，展望下一个信息需求模式。

Apr, 2024

本论文对基于大型语言模型（LLMs）的推荐系统进行了全面综述，总结了 LLMs 在推荐系统中的应用方法，包括预训练、微调和提示，并讨论了未来方向。

Jul, 2023