本文通过在大规模行业数据集上进行广泛实验，发现大多数 LLMs 的中间层是多余的，并提出了一种名为 SLMRec 的基于小型语言模型的推荐模型，仅使用 LLM-based 推荐模型中 13% 的参数，同时在训练和推断时间成本上实现了高达 6.6 倍和 8.0 倍的加速。

May, 2024

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

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

最近，大型语言模型 (LLMs) 在语言理解和生成方面取得了显著的进展，通过利用文本特征，定制 LLMs 也被应用于推荐，并在各种推荐场景中展示出改进。为了验证所提出框架的有效性，在基准数据集上与最先进的基线方法进行比较，我们的实验结果证明了 LlamaRec 的性能，在推荐性能和效率方面都取得了卓越的表现。

Oct, 2023

通过使用大型语言模型 (LLMs)，我们提出了简单而有效的两阶段解释性推荐框架 LLMXRec，旨在进一步提高解释质量。与大多数现有的基于 LLM 的推荐系统不同，LLMXRec 侧重于先前推荐模型与基于 LLM 的解释生成器之间的紧密协作。通过采用一些关键的微调技术，包括参数高效的指导微调和个性化提示技术，我们能够生成可控且流畅的解释，以实现解释推荐的目标。我们提供了三个不同的角度来评估解释的有效性，并在几个基准推荐模型和公开可用的数据集上进行了大量实验。实验证据不仅在有效性和效率方面取得了积极的结果，还揭示了一些以前未知的结果。为了方便在这个领域的进一步探索，我们开源了完整的代码和详细的原始结果。

Dec, 2023

E2URec 是首个高效和有效的语言模型推荐系统遗忘方法，通过更新参数和采用师生网络架构实现推荐数据的忘记，以优化隐私保护和模型性能。

Mar, 2024

利用外部知识辅助大规模语言模型（LLM）在生成真实可用的文本方面具有潜力，因此我们提出了一种名为‘Knowledge-Enhanced LLMRec’的方法，通过使用外部知识在生成过程中，并且通过基于知识的对比学习方案来训练模型，实验证实了该方法的有效性。

Mar, 2024

通过整合大型语言模型与推荐系统的表示学习，我们提出了一个模型不可知的框架 RLMRec，旨在增强现有的推荐器，并提高其对于用户行为和偏好的语义理解，同时通过交叉视角对齐框架，将 LLM 的语义空间与协同关系信号的表示空间相对应。

Oct, 2023

通过 LLMRec，我们对各种推荐任务对多个常用的 LLM 模型进行了基准测试，发现 LLM 模型在准确性任务中表现中等，但在可解释性任务中与最先进的方法相比具有相当的性能，并通过定性评估进一步验证了生成内容的质量和合理性。

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