Oct, 2023

融入大型语言模型的推荐系统中的多键值策略

PDF
TL;DR基于多个键值数据，将推荐系统与大型语言模型相结合，通过培训一个常见的开源语言模型（Llama 7B），将推荐系统的领域知识注入预训练的语言模型，并设计了创新的洗牌和屏蔽策略来学习这些键值之间的关系，实验证明了这种方法的有效性。
recommendation systemlarge language modelembedding detailssequential recommendationmultiple key-value data
发现论文，激发创造
  • 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

  • 大型语言模型用于生成式推荐：调研与前瞻讨论

    近年来，大型语言模型在不同领域特别是自然语言处理和计算机视觉中得到广泛应用，推荐系统也出现了这种趋势。这篇综述论文从三个问题的角度探讨了基于大型语言模型的生成式推荐的进展、方法和未来方向：1）什么是生成式推荐，2）为什么推荐系统应该向生成式推荐发展，以及 3）如何为各种推荐系统任务实现基于大型语言模型的生成式推荐。希望这篇综述可以提供探索这一有趣且新兴话题所需的背景和指导。

    Sep, 2023

  • 大型语言模型增强的长尾用户和物品的顺序推荐

    研究通过引入大型语言模型增强顺序推荐系统的性能，以应对长尾用户和长尾商品的挑战，并提出了融合语义信息和协同信号的双视图建模方法来解决这些问题。同时，通过使用检索增强的自蒸馏技术，对用户偏好表示进行改进。实验证明，所提出的增强框架相比现有方法表现更优。

    May, 2024

  • 利用大型语言模型重新排序以增强推荐的多样性

    用大型语言模型进行多样性重新排序是一个有前途的方法，它能为推荐系统带来多样性而不需要特殊的知识工程。

    Jan, 2024

  • 推荐系统中的大型语言模型调查

    本文概论了基于大型语言模型的推荐系统，提出了两种主要类型（分别为判别型 LLM 推荐 DLLM4Rec 和生成型 LLM 推荐 GLLM4Rec），分别从方法、技术和性能等方面对现有的 LLM 推荐系统进行了系统的分类和评估，并指出了主要挑战和有价值的发现。

    May, 2023

  • 个性化和可解释推荐的大型语言模型调查

    最近几年，推荐系统 (Recommender Systems) 在自然语言处理 (Natural Language Processing) 领域迎来了巨大的变革，得益于大型语言模型 (Large Language Models) 的出现。这些模型，如 OpenAI 的 GPT-3.5/4 和 Meta 的 Llama，在理解和生成类似人类的文本方面展示了前所未有的能力，从而在个性化和可解释性推荐领域引发了范式转变，因为大型语言模型提供了处理大量文本数据以增强用户体验的多功能工具集。为了全面了解现有的基于大型语言模型的推荐系统，本综述旨在分析推荐系统如何从大型语言模型的方法中受益。此外，我们还描述了个性化解释生成 (Personalized Explanation Generating) 任务中的主要挑战，包括冷启动问题、公平性和偏见问题。

    Nov, 2023

  • 从大型语言模型到推荐系统的知识迁移：实践工业应用

    借助大型语言模型（LLMs）预训练的能力来提升推荐系统的性能，采用 LLMs 作为物品编码器，通过 LEARN 框架将开放世界知识与协同知识相结合，以解决冷启动和长尾用户推荐中的性能问题。

    May, 2024

  • 基于语言模型和强化学习的事实和个性化推荐

    发展了一种令人信服，精确，个性化，与偏好相关的语言模型 (P4LM)，该模型通过使用用户偏好的嵌入空间表示来生成富有说服力的回复，同时强调解释物品特征及其相关性。此外，还开发了一个联合奖励函数，用于衡量精确性、吸引力和个性化，该函数用作基于增强学习的语言模型框架中的人工智能反馈。使用 MovieLens 25M 数据集证明了 P4LM 向用户提供了引人入胜、个性化的电影叙事。

    Oct, 2023

  • 突破壁垒：通过推理知识图谱利用大型语言模型用于工业推荐系统

    LLM-KERec 利用大型语言模型捕捉用户意图转变，适应新项目，并提高在不断发展的电子商务领域中的推荐效率，通过整合互补知识解决传统推荐系统的局限性。

    Feb, 2024

  • LLMRS：发挥基于 LLM 的推荐系统在软件购买中的潜力

    通过使用预训练的大型语言模型对用户评论进行编码并生成个性化推荐，我们提出了 LLMRS，一种基于 LLM 的零样本推荐系统。在真实世界的 Amazon 产品评论数据集上进行实验，结果表明 LLMRS 优于基于排名的基线模型，成功从产品评论中捕捉到有意义的信息，从而提供更可靠的推荐。

    Jan, 2024