EMNLPOct, 2023

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

PDF
TL;DR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。
e-commerce pre-sales dialogueconversational recommender systemslarge language modelscollaborationecommerce pre-sales dialogue
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

  • 一种大型语言模型增强的对话式推荐系统

    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。

    Aug, 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

  • 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

  • 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

  • 大型语言模型与机器学习在电子商务推荐中的新兴协同效应

    电子商务和网络应用的蓬勃发展使得推荐系统成为我们日常生活中重要的一部分，但是现有基于深度神经网络的方法在理解用户兴趣、捕捉文本信息以及推广到不同场景等方面仍存在限制。近期的研究借助大型语言模型的崛起旨在改进推荐系统，本文系统回顾了已有的大型语言模型驱动的推荐系统，介绍了使用大型语言模型作为特征编码器学习用户和物品表示的方法以及在预训练、微调和提示等三个范式下的最新进展，并对这一新兴领域的未来方向进行了全面的讨论。

    Mar, 2024

  • 大语言模型时代的推荐系统

    本论文对基于大型语言模型（LLMs）的推荐系统进行了全面综述，总结了 LLMs 在推荐系统中的应用方法，包括预训练、微调和提示，并讨论了未来方向。

    Jul, 2023

  • 当前基于 LLM 的对话推荐用户模拟器的局限性分析

    使用大型语言模型构建用户仿真器在对话推荐系统中存在一些限制和评估方法上的问题，因此提出了 SimpleUserSim 方法通过简单策略指导话题以显著提高推荐结果。

    Mar, 2024

  • 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