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

介绍了基于视觉编码器与大型语言模型相结合的 Video-ChatGPT 模型，用于理解和生成关于视频的人类对话，并介绍了使用手动和半自动管道获得的新数据集，可用于训练和评估基于视频的对话模型，并在定量评估框架下分析了该模型的优劣。

Jun, 2023

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

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

本文介绍了利用大型语言模型进行对话推荐的研究，并提出了一种基于 LLM 的用户模拟器的交互式评估方法 iEvaLM，从而改善了现有的评估协议。在两个公共数据集上的实验表明，ChatGPT 展现出较大的优势，并强调解释性的评估。此研究有助于更深入地理解 LLMs 在 CRSs 中的潜力，并为未来的研究提供一个更灵活、易于使用的评估框架。

May, 2023

这项研究通过使用大型语言模型（RecLLMs）来探索推荐系统的复杂能力和内在偏见，重点研究基于 ChatGPT 的系统。研究了生成模型和传统协同过滤模型在电影推荐中的不同行为。实验分析表明，在 RecLLMs 中引入特定的 “系统角色” 和 “提示策略” 显著影响它们的表现。这些发现揭示了将这些策略与偏好更近期内容的情景相结合的潜力，从而提供更平衡和最新的推荐体验。

Jan, 2024

我们研究了现代模型生成的电影推荐的文本解释如何帮助用户，以及探讨用户对这些文本解释的不同组成部分的喜好和厌恶，特别是与现有的人类电影评论相比。我们发现，参与者对电影之间的排名以及对从未看过的电影评论的个人质量评分没有显著差异。然而，当评论是关于他们之前看过的电影时，参与者标记为更好的评论。此外，我们还探讨了参与者认为每个质量重要的电影评论文本的具体方面。总的来说，我们证明了现代 LLMs 是有希望作为推荐解释的来源，我们打算在未来进一步探索可个性化的文本解释。

Sep, 2023

将 ChatGPT 和说服技术整合到酒店推荐系统中能够提高用户参与度，满意度和转化率，影响酒店客户满意度和业绩。

Jul, 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