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

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

本研究介绍了一种基于 ChatGPT 的对话式自动化机器学习 (AutoML) 框架作为 “个人数据科学家”，通过多个语言模型实例构建了自然界面，展示了对话式数据科学的新概念，同时也突出了 ChatGPT 的潜在缺陷和改进机会。

May, 2023

该研究旨在研究 ChatGPT 在人本设计过程中的能力，通过一个虚构的设计项目，证明 ChatGPT 可以表现为设计师、用户或产品，提高了用户体验，但是存在一定的局限性，为未来研究提供了参考方向。

Feb, 2023

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

通过在用户与聊天界面的交互中考虑额外的上下文，引入了名为 VideolandGPT 的推荐系统，使用 ChatGPT 从预定内容集中选择，该推荐系统评估了排名指标、用户体验和推荐的公平性，通过一项用户研究表明，个性化版本在准确度和用户满意度方面优于非个性化版本，两个版本都增加了推荐列表中非 Top 项目的可见性，然而两个版本在公平性方面表现出不一致的行为，系统可能生成在 Videoland 上不可用的推荐内容。

Sep, 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

结合 ChatGPT 和传统的基于信息检索的聊天机器人框架，提供优化的高等教育学生支持，以解决 LLMs 在教育背景下生成错误、偏见或无用答案的挑战。

Dec, 2023

本文探究了如何用 ChatGPT 辅助机器翻译，提出了多种翻译提示。实验结果表明，ChatGPT 在高资源语言翻译方面的表现与专业翻译系统相当或更好，在低资源翻译方面略逊于专业翻译系统，并在多参考文献翻译和特定领域翻译方面表现出优异的性能。 此外，我们进行了几个快速提示，表现出不同基础提示的一致改进。这项工作提供了 ChatGPT 在翻译方面仍然具有巨大潜力的实证证据。

Apr, 2023

使用 ChatGPT 为基础的对话式推荐系统研究了 Prompt Guidance（PG）和 Recommendation Domain（RD）这两个因素对系统整体用户体验的影响，并发现 PG 可以大大提升系统的可解释性、适应性、感知易用性和透明度，而用户在书籍推荐领域相较于职位推荐领域更倾向于感知到新颖性，并展现更高的从事和尝试推荐项目的倾向。此外，PG 对某些用户体验度量和交互行为的影响似乎受到推荐领域的调节，这也证明了这两个因素之间的交互效应。该研究为基于 ChatGPT 的用户中心评估的对话式推荐系统提供了实用的设计指导。

May, 2024