巨型语言模型增强少样本推荐系统的表示能力
大规模语言模型(LLMs)在重新塑造推荐系统中的重要性得到强调,将其价值归因于传统推荐系统中缺乏的独特推理能力。与缺乏直接用户交互数据的传统系统不同,LLMs 在推荐物品方面表现出卓越的熟练度,展示了其理解语言细微差别的能力,这标志着推荐领域的一个基本范式转变。在充满活力的研究领域中,研究人员积极利用 LLMs 的语言理解和生成能力重新定义推荐任务的基础。本文详细探讨了 LLMs 在推荐框架中的固有优势,包括细微的语境理解、在不同领域之间无缝切换、采用统一的方法、利用共享数据库的全面学习策略、透明的决策制定和迭代改进。尽管具有改变潜力,但仍存在挑战,包括对输入提示的敏感性、偶尔的误解以及意外的推荐,这需要对 LLM 驱动的推荐系统进行持续的完善和演进。
Feb, 2024
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
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
通过使用 Item-Language Model(ILM) ,我们提出了一种解决当前推荐系统方法中所面临的关键问题的方法,该方法既可以对用户交互信号进行编码,也可以利用预训练的 Large-language Models(LLMs)处理这些编码。
Jun, 2024
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
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
此研究旨在探究大型语言模型在推荐系统中的排名能力,通过采用提示模板设计和引入特定策略,研究发现大型语言模型在候选物品的零 - shot 排名上有着很好的表现,但是若考虑历史互动的顺序、位移等因素,不同的提示和启发方法能够对大型语言模型的表现产生影响。
May, 2023
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
该论文提出了一种以自然语言为指令的方法来开发推荐模型,这种方法可以更好地适应用户需求,实现个性化推荐,并在真实数据集上比多个竞争基线模型表现更优。
May, 2023