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
本文提出了一个使用大型语言模型的端到端大规模语音推荐系统，并介绍了一些技术和实现细节，包括用户偏好理解、灵活对话管理、基于 LLM 的用户仿真器等。
通过使用离线总结和运行时检索，我们提出了一种新颖的基于总结的方法，扩展了基于检索的个性化，以实现更好的实时系统性能，并在实际约束下取得了更好的个性化性能。
Oct, 2023
跨领域顺序推荐 (CDSR) 旨在挖掘和转移用户在不同领域的顺序偏好以减轻长期存在的冷启动问题。传统的 CDSR 模型通过用户和物品建模来捕捉协作信息，而忽视了有价值的语义信息。最近，大型语言模型 (LLM) 展现出强大的语义推理能力，激发了我们将其引入以更好地捕捉语义信息。然而，由于无缝信息集成和领域特定生成两个关键问题，将 LLM 引入到 CDSR 中并非易事。为此，我们提出了一种名为 URLLM 的新型框架，旨在通过同时探索用户检索方法和 LLM 上的领域基础来改善 CDSR 性能。具体而言，我们首先提出了一种新颖的双图顺序模型来捕捉多样的信息，在此基础上采用了一种对齐和对比学习方法来促进领域知识传输。随后，我们采用了一种用户检索 - 生成模型来将结构信息无缝集成到 LLM 中，充分利用其涌现的推理能力。此外，我们提出了一种领域特定的策略和一个改进模块，以防止领域外生成。在亚马逊上进行的广泛实验证明了 URLLM 与最先进基线系统相比在信息集成和领域特定生成能力方面的优势。我们的代码可在此 https URL 找到。
Jun, 2024
利用大型语言模型（LLMs），本文提出了一种名为 LEADER 的新方法，通过创建适当的提示模板和特征级知识蒸馏技术，将现有的药物推荐方法转化为更加高效和精确的形式。
Feb, 2024
本文提出了一种基于神经网络的方法，使用用户对不同商品的评分来预测用户如何描述该商品，并生成自然语言解释，通过实验验证模型可以生成接近真实用户写的评论。
Jul, 2017
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。
研究通过引入大型语言模型增强顺序推荐系统的性能，以应对长尾用户和长尾商品的挑战，并提出了融合语义信息和协同信号的双视图建模方法来解决这些问题。同时，通过使用检索增强的自蒸馏技术，对用户偏好表示进行改进。实验证明，所提出的增强框架相比现有方法表现更优。
May, 2024
采用预训练语言模型的语义理解能力，提出了一种新的序列推荐策略 LANCER，以弥补先前序列建模方法对上下文信息的不足，从而在推荐系统中生成更加人性化的个性化推荐。经过在多个基准数据集上的实验证明，我们的方法有效，具有良好的结果，并对我们的模型在序列推荐任务中的影响提供了有价值的见解。此外，我们的实验代码是公开可用的。
Sep, 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。