传统的推荐系统利用用户对项目的偏好历史记录来推荐新内容，而现代对话界面则提供了一种基于语言偏好表达的基本不同模式。本文研究了大型语言模型 (LLM) 的提示范式在使用基于项目和语言偏好的推荐中与最先进的基于项目的协同过滤 (CF) 方法相比的应用。通过收集既包含基于项目偏好又包含基于语言偏好的新数据集，以及用户对多种（有偏见的）推荐项目和（无偏见的）随机项目的评分，支持了这一调查。在众多实验结果中，我们发现对于纯语言偏好（无项目偏好）的情况，LLM 在近乎冷启动的情况下与基于项目的 CF 方法相比提供了有竞争力的推荐性能，尽管其在这个特定任务上没有进行监督训练（零射击）或只有少数标签（少射击）。这一点尤其令人鼓舞，因为基于语言偏好的表示比基于项目或基于向量的表示更加可解释和可审查。

Jul, 2023

提出了一种高效的全方位基于语言模型的推荐系统，能够在冷和热场景下表现出卓越的性能，并利用协同知识和高质量用户 / 物品嵌入来生成自然语言输出。

Apr, 2024

本文通过在线实验的方式，从用户的角度探讨了使用大型语言模型（LLMs）进行个性化电影推荐的有效性。研究结果显示，LLMs 提供较强的推荐解释能力，但缺乏整体个性化、多样性和用户信任。此外，不同的个性化提示技术对用户感知的推荐质量影响不大，而用户观看的电影数量起到了更重要的作用。与此同时，LLMs 展示了更好地推荐知名度较低或小众化电影的能力。通过定性分析，我们发现与用户交互体验中的积极和消极关联的关键对话模式，并得出结论：为了获得高质量的 LLMs 推荐，提供个人背景和示例至关重要。

Apr, 2024

此研究旨在探究大型语言模型在推荐系统中的排名能力，通过采用提示模板设计和引入特定策略，研究发现大型语言模型在候选物品的零 - shot 排名上有着很好的表现，但是若考虑历史互动的顺序、位移等因素，不同的提示和启发方法能够对大型语言模型的表现产生影响。

May, 2023

利用大型语言模型（LLMs）处理明确反馈可以提高推荐系统在少样本场景中的性能。LLMs 具备生成和逻辑推理能力，能够有效处理明确反馈，成为增强推荐系统性能的组成部分。

Dec, 2023

通过使用预训练的大型语言模型对用户评论进行编码并生成个性化推荐，我们提出了 LLMRS，一种基于 LLM 的零样本推荐系统。在真实世界的 Amazon 产品评论数据集上进行实验，结果表明 LLMRS 优于基于排名的基线模型，成功从产品评论中捕捉到有意义的信息，从而提供更可靠的推荐。

Jan, 2024

本文提出了一种名为 PALR 的新框架，旨在将用户历史行为与大型语言模型相结合，生成用户喜欢的商品。实验结果表明，与现有方法相比，我们的解决方案在各种连续推荐任务上表现优异。

May, 2023

大规模语言模型（LLMs）在重新塑造推荐系统中的重要性得到强调，将其价值归因于传统推荐系统中缺乏的独特推理能力。与缺乏直接用户交互数据的传统系统不同，LLMs 在推荐物品方面表现出卓越的熟练度，展示了其理解语言细微差别的能力，这标志着推荐领域的一个基本范式转变。在充满活力的研究领域中，研究人员积极利用 LLMs 的语言理解和生成能力重新定义推荐任务的基础。本文详细探讨了 LLMs 在推荐框架中的固有优势，包括细微的语境理解、在不同领域之间无缝切换、采用统一的方法、利用共享数据库的全面学习策略、透明的决策制定和迭代改进。尽管具有改变潜力，但仍存在挑战，包括对输入提示的敏感性、偶尔的误解以及意外的推荐，这需要对 LLM 驱动的推荐系统进行持续的完善和演进。

Feb, 2024

该研究探讨了个性化调整和零 - shot 推理方法在主观任务上的应用，结果表明，与非个性化模型相比，个性化调整能够提高模型的推理能力，并在不同的大语言模型架构上实现了对情感识别和仇恨言论检测等数据集的一致性性能提升，这些发现凸显了个性化对于增强大语言模型在主观文本感知任务中的重要性。

Feb, 2024

本文概论了基于大型语言模型的推荐系统，提出了两种主要类型（分别为判别型 LLM 推荐 DLLM4Rec 和生成型 LLM 推荐 GLLM4Rec），分别从方法、技术和性能等方面对现有的 LLM 推荐系统进行了系统的分类和评估，并指出了主要挑战和有价值的发现。

May, 2023