AgentCF:面向推荐系统的自主语言代理协作学习
通过将推荐模型和大型语言模型相结合,本文介绍了一个名为 RecAgent 的高效框架,旨在创建一个多功能和交互式的推荐系统,通过整合大型语言模型,将传统的推荐系统转化为具有自然语言界面的交互系统。实验结果表明,RecAgent 作为一个对话式推荐系统表现出令人满意的性能,优于通用的大型语言模型。
Aug, 2023
提出了一种高效的全方位基于语言模型的推荐系统,能够在冷和热场景下表现出卓越的性能,并利用协同知识和高质量用户 / 物品嵌入来生成自然语言输出。
Apr, 2024
应用大型语言模型(LLMs)在各种任务和社会模拟中取得了显著进展,但它们在任务导向的社会背景中的协调能力尚未得到充分探索。为了弥合这一差距,我们引入了协作生成代理,为基于 LLMs 的代理赋予一致的行为模式和解决任务的能力。我们将这些代理置于一个模拟的招聘会环境中进行案例研究,以审查它们的协调能力。我们提出了一个新颖的框架,赋予协作生成代理人类般的推理能力和专业技能。我们的评估结果表明,这些代理显示出有希望的性能。然而,我们也发现了限制,阻碍了它们在更复杂的协调任务中的效果。我们的工作对于 LLMs 在任务导向的社会模拟中的作用和发展提供了有价值的见解。
Oct, 2023
本文介绍了一种基于大型语言模型的推荐系统模拟器 RecAgent,旨在克服仿真研究的缺陷并突出优势,通过真实用户行为来验证其有效性。
Jun, 2023
通过合成反馈循环 (CF-SFL) 来模拟用户反馈的学习框架提高传统协作过滤 (CF) 的推荐系统,能够以更好的结果在多个数据集上提升用户体验。
Oct, 2019
使用大型语言模型构建的用户搜索行为模拟器在查询生成方面优于现有方法,并在预测用户点击和停止行为方面可与传统方法媲美。这些结果不仅验证了使用大型语言模型进行用户模拟的有效性,还为更强大和通用的用户模拟器的开发提供了启示。
Mar, 2024
传统的推荐系统利用用户对项目的偏好历史记录来推荐新内容,而现代对话界面则提供了一种基于语言偏好表达的基本不同模式。本文研究了大型语言模型 (LLM) 的提示范式在使用基于项目和语言偏好的推荐中与最先进的基于项目的协同过滤 (CF) 方法相比的应用。通过收集既包含基于项目偏好又包含基于语言偏好的新数据集,以及用户对多种(有偏见的)推荐项目和(无偏见的)随机项目的评分,支持了这一调查。在众多实验结果中,我们发现对于纯语言偏好(无项目偏好)的情况,LLM 在近乎冷启动的情况下与基于项目的 CF 方法相比提供了有竞争力的推荐性能,尽管其在这个特定任务上没有进行监督训练(零射击)或只有少数标签(少射击)。这一点尤其令人鼓舞,因为基于语言偏好的表示比基于项目或基于向量的表示更加可解释和可审查。
Jul, 2023
文章介绍了一个名为 “CF-UIcA” 的神经协同自回归模型,它可以处理大规模的协同过滤任务,并在 MovieLens 1M 和 Netflix 数据集上达到了最佳性能。
Dec, 2016