一种大型语言模型增强的对话式推荐系统

Aug, 2023

一种大型语言模型增强的对话式推荐系统

A Large Language Model Enhanced Conversational Recommender System

Yue Feng, Shuchang Liu, Zhenghai Xue, Qingpeng Cai, Lantao Hu...

TL;DR利用大型语言模型开发了一种新的会话式推荐系统（LLMCRS），能够有效管理子任务、解决不同的子任务、并生成与用户交互的响应，通过细化工作流程和使用强化学习的反馈优化，实验结果表明其性能超过现有方法。

Abstract

conversational recommender systems (CRSs) aim to recommend high-quality items to users through a dialogue interface. It usually contains multiple sub-tasks, such as user preference elicitation, recommendation, explanation, and item information search. To develop effective CRSs, there a

conversational recommender systems sub-tasks management large language models response generation reinforcement learning

发现论文，激发创造

在对话式推荐系统中利用大型语言模型

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。

May, 2023

多智能体对话推荐系统

我们提出了一种包含多个模块的多智能体对话推荐系统 (MACRS)，该系统可以通过控制对话流动以及利用用户反馈来改进推荐性能，并展示了在推荐和用户偏好收集方面相较于直接使用大型语言模型 (LLMs) 的用户交互体验的改进。

Feb, 2024

电商售前对话中的会话式推荐系统与大型语言模型的完美结合

本文研究了将大型语言模型与对话型推荐系统结合在电子商务售前对话中的有效性，并提出了两种协作方法：对话型推荐系统辅助大型语言模型和大型语言模型辅助对话型推荐系统。通过对真实世界电子商务售前对话数据集进行广泛实验，我们分析了两种协作方法在四个任务上对电子商务售前对话的影响，发现 CRS 和 LLM 之间的协作在某些情况下非常有效。

Oct, 2023

基于外部知识和目标指导的基于 LLM 的对话推荐系统

本文旨在高效地使大型语言模型在会话推荐系统任务中使用外部知识和目标引导。通过对先进的大型语言模型在特定领域的会话推荐系统任务中的局限性进行综合评估，我们发现外部知识和目标引导对于推荐准确性和语言质量有显著的贡献。基于这一发现，我们提出了一种新颖的 ChatCRS 框架，通过实现知识检索代理和目标规划代理，将复杂的会话推荐系统任务分解为多个子任务。在两个多目标会话推荐系统数据集上的实验结果表明，ChatCRS 建立了新的最先进基准，将信息的语言质量提高了 17%，主动性提高了 27%，并且推荐准确性提升了十倍。

May, 2024

以语言处理任务为基础的参数高效对话推荐系统

使用预先训练的语言模型以自然语言表示项，通过语义匹配进行项目推荐和对话生成的统一模型 PECRS，在两个基准数据集上的实验证明了其在推荐和对话方面的有效性。

Jan, 2024

基于 LLM 的可控、可扩展、人参与的用户模拟器框架用于对话推荐系统

我们介绍了一种可控、可扩展和人工参与的用户模拟器框架 (CSHI)，通过插件管理器管理用户模拟器的行为，以提供更真实和令人信服的用户交互体验，并通过实验证明我们的框架能够适应各种对话推荐设置并有效地模拟用户的个性化偏好，从而促进对现有 CRS 研究的可靠评估和高质量对话推荐数据集的创建。

May, 2024

通过知识增强的提示学习实现统一的对话式推荐系统

本论文提出了基于知识增强提示学习的统一会话型推荐系统模型 UniCRS，通过使用包含融合知识表示、任务特定软标记和对话上下文的知识增强提示来实现一体化的推荐和对话子任务，并证明了这种方法的有效性。

Jun, 2022

基于大语言模型的推荐系统能够获得何种益处：一项调查

本文综述了基于应用方向的大语言模型在推荐系统中的应用，从‘何处’和‘如何’两方面总结了现有研究工作，并讨论了调整大语言模型到推荐系统中面临的关键挑战和未来前景。

Jun, 2023

大型语言模型提升样本效率的推荐系统

大型语言模型在自然语言处理领域取得了显著进展，在各种任务中展现出与人类语言相似的能力，为推荐系统中的应用提供了新的机会。本文具体研究了 LLM 增强推荐系统的样本效率，即模型在有限数量的训练数据下达到卓越性能的能力，并提出了 Laser 框架来验证大型语言模型能够提升推荐系统的样本效率。在两个公共数据集上进行的广泛实验表明，Laser 仅需少量训练样本就能达到甚至超越基于整个训练集训练的传统推荐模型，在样本效率上表现出优势。

Jun, 2024

定制化对话推荐系统

本文提出了定制化对话推荐系统（CCRS）的概念，以提高用户体验，包括多样化的对话回复生成器和细粒度意向识别，并通过元学习的方法定制化模型参数，实验表明 CCRS 在推荐和对话服务方面具有优越性。

Jun, 2022