PALR: 面向个性化的推荐学习模型
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
通过整合大型语言模型与推荐系统的表示学习,我们提出了一个模型不可知的框架 RLMRec,旨在增强现有的推荐器,并提高其对于用户行为和偏好的语义理解,同时通过交叉视角对齐框架,将 LLM 的语义空间与协同关系信号的表示空间相对应。
Oct, 2023
最近几年,推荐系统 (Recommender Systems) 在自然语言处理 (Natural Language Processing) 领域迎来了巨大的变革,得益于大型语言模型 (Large Language Models) 的出现。这些模型,如 OpenAI 的 GPT-3.5/4 和 Meta 的 Llama,在理解和生成类似人类的文本方面展示了前所未有的能力,从而在个性化和可解释性推荐领域引发了范式转变,因为大型语言模型提供了处理大量文本数据以增强用户体验的多功能工具集。为了全面了解现有的基于大型语言模型的推荐系统,本综述旨在分析推荐系统如何从大型语言模型的方法中受益。此外,我们还描述了个性化解释生成 (Personalized Explanation Generating) 任务中的主要挑战,包括冷启动问题、公平性和偏见问题。
Nov, 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
发展了一种令人信服,精确,个性化,与偏好相关的语言模型 (P4LM),该模型通过使用用户偏好的嵌入空间表示来生成富有说服力的回复,同时强调解释物品特征及其相关性。此外,还开发了一个联合奖励函数,用于衡量精确性、吸引力和个性化,该函数用作基于增强学习的语言模型框架中的人工智能反馈。使用 MovieLens 25M 数据集证明了 P4LM 向用户提供了引人入胜、个性化的电影叙事。
Oct, 2023
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
通过使用 Item-Language Model(ILM) ,我们提出了一种解决当前推荐系统方法中所面临的关键问题的方法,该方法既可以对用户交互信号进行编码,也可以利用预训练的 Large-language Models(LLMs)处理这些编码。
Jun, 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
我们提出了一种名为 ReLLa 的新框架,即检索增强的大型语言模型,用于零样本和少样本推荐任务,通过语义用户行为检索和检索增强指导调优技术,提高了大型语言模型在推荐系统中的推荐性能和对用户行为序列的理解能力。
Aug, 2023