Aug, 2023

异构知识融合：基于 LLM 的个性化推荐的新方法

PDF
TL;DR通过从用户的异构行为信息中提取和融合异构知识，借助大型语言模型（LLM）实现个性化推荐，并通过结合异构知识与推荐任务，在 LLM 上进行指令调整以显著提高推荐性能。实验结果表明，我们的方法能够有效整合用户的异构行为并显著改善推荐性能。
user heterogeneous behaviorrecommendation systemsheterogeneous knowledgelarge language modelpersonalized recommendations
发现论文，激发创造
  • LKPNR: 个性化新闻推荐框架的 LLM 和 KG

    通过将大型语言模型（LLM）和知识图谱（KG）结合为传统方法的语义表示形式，该研究提出了一个新的通用框架，以准确地推荐候选新闻文章给用户，从而改善了新闻推荐系统中的个性化推荐效果。

    Aug, 2023

  • 从大型语言模型到推荐系统的知识迁移：实践工业应用

    借助大型语言模型（LLMs）预训练的能力来提升推荐系统的性能，采用 LLMs 作为物品编码器，通过 LEARN 框架将开放世界知识与协同知识相结合，以解决冷启动和长尾用户推荐中的性能问题。

    May, 2024

  • 基于知识增强的大型语言模型个性化上下文查询建议

    通过与用户与搜索引擎的交互历史相关的上下文，我们提出了一种新颖且通用的方法，用于个性化输出，这对于理解用户当前的搜索背景以及他们历史上知道和关心的内容是必要的。我们验证了我们的方法在上下文查询建议的任务上优于几个其他 LLM 基准方法，生成了在上下文中更相关、个性化和有用的查询建议。

    Nov, 2023

  • 突破壁垒：通过推理知识图谱利用大型语言模型用于工业推荐系统

    LLM-KERec 利用大型语言模型捕捉用户意图转变，适应新项目，并提高在不断发展的电子商务领域中的推荐效率，通过整合互补知识解决传统推荐系统的局限性。

    Feb, 2024

  • KELLMRec：知识增强的大型语言模型用于推荐

    利用外部知识辅助大规模语言模型（LLM）在生成真实可用的文本方面具有潜力，因此我们提出了一种名为‘Knowledge-Enhanced LLMRec’的方法，通过使用外部知识在生成过程中，并且通过基于知识的对比学习方案来训练模型，实验证实了该方法的有效性。

    Mar, 2024

  • 大型语言模型作为对话式电影推荐系统的研究

    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

  • 推荐系统中异构关系学习的最新进展

    调查了不同类型的推荐框架的发展，重点关注于异构关系学习，分类研究了社交推荐、知识图增强推荐系统以及多行为推荐的学习方法，探讨如何有效地提取异构上下文信息。最后对异构关系学习提出了新的方向和机会。

    Oct, 2021

  • PALR: 面向个性化的推荐学习模型

    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

  • 大型语言模型的知识融合

    通过知识融合的方法，将预先训练的大型语言模型相互结合，以提升目标模型的性能表现，实现在推理、常识与代码生成等多种能力上的改进。

    Jan, 2024

  • 通过图感知学习增强基于语言模型的协同语义推荐

    通过使用充满协作语义的交互图，我们提出了一种名为 GAL-Rec 的方法，通过模仿图神经网络（GNNs）的意图来提高语言模型驱动的推荐模型对用户 - 物品协作语义的理解能力，从而充分利用大型语言模型的学习能力，独立解决推荐系统中的复杂图形，实验证明 GAL-Rec 显著增强了协作语义的理解能力，并提高了推荐性能。

    Jun, 2024