Dec, 2023

DRDT：基于 LLM 的动态反思与发散思维的顺序推荐

PDF
TL;DR利用动态反思和发散性思维的检索器 - 排序器框架，我们提出了一种新的推理策略，以应对顺序推荐任务中的挑战，通过收集协同行为示例、抽象高级用户偏好和动态反思等方法，增强序列推荐系统的性能。
large language modelssequential recommendationreasoning strategiesdynamic reflectionretriever-reranker framework
发现论文，激发创造
  • 检索重构：大规模语言模型推理

    本文提出了一种名为 'rethinking with retrieval' (RR) 的后置处理方法，借助 'chain-of-thought' (CoT) 提示中的分解推理步骤检索相关的外部知识，从而改善大语言模型在常识推理、时间推理和表格推理等方面的性能。

    Dec, 2022

  • DynLLM: 大规模语言模型遇上动态图推荐

    本文提出了一种名为 DynLLM 的新框架，利用大型语言模型解决动态图推荐任务，通过生成基于丰富文本特征的用户多维度画像，并利用时间图嵌入和精细化的关注机制来融合用户画像和动态图嵌入，以实现对持续时间动态图的无缝集成和改进，实验证实了 DynLLM 在电子商务领域的卓越性能。

    May, 2024

  • 小语言模型是否能成为顺序推荐的良好推理者？

    提出了一种基于知识蒸馏的逐步推理框架（SLIM），以在资源高效的方式下实现顺序推荐系统中的大型语言模型的优秀推理能力，通过基于用户行为序列的 CoT 提示生成的合理性用作标签，将合成的标签融入到更小的学生模型中，从而使学生模型能够在推荐任务中逐步推理，实验结果表明 SLIM 具有显著的有效性和可承受的推荐推理成本。

    Mar, 2024

  • 改革顺序推荐：学习动态用户兴趣与内容丰富的语言建模

    采用预训练语言模型的语义理解能力，提出了一种新的序列推荐策略 LANCER，以弥补先前序列建模方法对上下文信息的不足，从而在推荐系统中生成更加人性化的个性化推荐。经过在多个基准数据集上的实验证明，我们的方法有效，具有良好的结果，并对我们的模型在序列推荐任务中的影响提供了有价值的见解。此外，我们的实验代码是公开可用的。

    Sep, 2023

  • 检索与推理相遇：长文本理解的动态上下文编辑

    通过动态上下文编辑的方式，我们引入了一种新的方法，将信息检索重新设想，使长文本上下文成为可塑的外部知识，并通过与最新的知识编辑技术相结合，与有关信息进行交互式收集和整合，从而使大型语言模型能够进行复杂的推理步骤，有效增强了推理能力。

    Jun, 2024

  • DELRec: 提炼序列模式以增强基于 LLM 的推荐

    提出了 DELRec 框架，通过两种策略提取 SR 模型展示的行为模式，从而帮助 LLMs 更有效地执行 SR 任务。在三个真实数据集上的广泛实验结果验证了 DELRec 框架的有效性。

    Jun, 2024

  • Re2LLM：面向会话推荐的反思增强型大型语言模型

    提出了一种反思性强化大语言模型（Reflective Reinforcement Large Language Model，Re2LLM）用于会话推荐，通过构建知识库来引导大语言模型（LLM）关注专业知识，以实现更准确的推荐。

    Mar, 2024

  • RDRec：基于 LLM 的推荐系统中的原因提炼

    本论文提出了一种理由精炼推荐模型（RDRec），通过从用户和物品相关的评论中提取精华，为推荐系统提供了理由，从而将大型语言模型（LLM）的推荐性能推向了前沿。

    May, 2024

  • 民主化推理能力：从大型语言模型的个性化学习

    通过多轮互动学习范式和自我反思学习，我们提出了一种定制化学习方法，从而将推理能力传授给较小的语言模型，以促进推理能力的开放和普及。

    Oct, 2023

  • 利用大型语言模型进行 K 级推理

    通过提出一种名为 “K 级推理” 的新型推理方法，我们在大型语言模型中加强了动态情境中的决策制定能力，并为动态推理能力的评估设定了一个坚实的定量基准。

    Feb, 2024