关于推荐中的生成代理
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
使用大型语言模型 (LLM) 为基础的生成式推荐 (GenRec) 方法，通过解释上下文、学习用户偏好和生成相关推荐，充分利用大型语言模型编码的丰富知识，为推荐系统带来革命性的潜力和未来发展方向。
Jul, 2023
我们提出了 AgentCF，通过基于代理的协同过滤来模拟推荐系统中的用户 - 项目交互，优化代理以模拟其二者之间的关系，并展示了个性化行为，引发了下一代用户行为模拟的发展。
Oct, 2023
使用 Large Language Models (LLMs) 进行个性化推荐任务的研究，设计了一种基于 LLM 的自主推荐代理系统 RecMind，通过精心规划、利用外部知识工具和个人数据，以及提出的 Self-Inspiring 算法来改善规划能力，实现了准确的个性化推荐。实验证明 RecMind 在多种推荐场景下表现优异，超过了现有的零 / 少样本 LLM-based 推荐方法，并与最近的预训练模型 P5 达到了竞争性的性能。
Aug, 2023
我们介绍了一种新的基于代理的信息系统，以 GPT 为代表，强调了支持代理级别信息处理和适应大语言模型（LLM）为基础的代理的特征的信息系统基础设施检查。我们构建了一种称为 Rec4Agentverse 的新型推荐范式，其中包括代理项和代理推荐。Rec4Agentverse 强调代理项和代理推荐之间的协作，促进个性化信息服务，并增强传统用户推荐反馈循环之外的信息交流。此外，我们展望了 Rec4Agentverse 的演变，并将其概念化为基于代理项、代理推荐和用户之间互动和信息交流的三个阶段。通过几个 Rec4Agentverse 案例的初步研究验证了其潜在的应用价值。最后，我们讨论了未来研究的潜在问题和有前途的方向。
Feb, 2024
通过利用大型语言模型（LLMs）模拟人类行为，本研究提出了一个综合框架，用于训练基于强化学习（RL）的推荐系统，并提供了深入的消融研究，通过电影和书籍推荐实验证明了其有效性。
Jun, 2024
本文提出使用大型语言模型与 Chat-Rec 范例的对话推荐系统（CRS）来提高传统推荐系统的互动性与可解释性，并演示了其在学习用户喜好和在零样本评级预测任务的表现改进方面具有的有效性。
Mar, 2023