使用 ChatGPT 进行对话式推荐：通过反馈重新提示的方式改善推荐

Jan, 2024

使用 ChatGPT 进行对话式推荐：通过反馈重新提示的方式改善推荐

ChatGPT for Conversational Recommendation: Refining Recommendations by Reprompting with Feedback

Kyle Dylan Spurlock, Cagla Acun, Esin Saka, Olfa Nasraoui

TL;DR在这篇论文中，我们研究了 ChatGPT 作为一个前 n 个对话式推荐系统的有效性，通过在 ChatGPT 周围建立一个严谨的流程来模拟用户如何实际查询模型以获得推荐，并通过反馈反复提示以优化推荐。我们进一步探讨了 ChatGPT 推荐中的流行度偏见，并将其与基准模型的表现进行了比较，发现通过反馈反复提示 ChatGPT 是改善推荐相关性的有效策略，并且可以通过提示工程来缓解流行度偏见。

Abstract

recommendation algorithms have been pivotal in handling the overwhelming volume of online content. However, these algorithms seldom consider direct user input, resulting in superficial interaction between them. Efforts have been made to include the user directly in the recommendation p

recommendation algorithms user input large language models conversational recommendation system popularity bias

发现论文，激发创造

评估 ChatGPT 作为推荐系统的方法论

本研究旨在填补大型语言模型在推荐场景中的潜力研究空白，并通过实验评估 ChatGPT 在零样本推荐系统中的能力及其与标准推荐算法以及其他大型语言模型的对比表现。

Sep, 2023

RecGPT：借助 ChatGPT 培训范例，为序列推荐生成个性化提示

ChatGPT 在自然语言理解方面取得了显著的成功。为了将 ChatGPT 的基本模式应用于推荐任务，我们在项目索引级别上设计了一个新的聊天框架。我们的创新主要包括模型、训练和推断等三个方面。通过在离线公共数据集和在线 A/B 测试中进行实验证明了我们提出方法的有效性。

Apr, 2024

ChatGPT 和说服技术在酒店行业个性化推荐的管理和提供中的应用

将 ChatGPT 和说服技术整合到酒店推荐系统中能够提高用户参与度，满意度和转化率，影响酒店客户满意度和业绩。

Jul, 2023

Chat-REC：面向可交互和可解释的 LLMs 增强型推荐系统

本文提出使用大型语言模型与 Chat-Rec 范例的对话推荐系统（CRS）来提高传统推荐系统的互动性与可解释性，并演示了其在学习用户喜好和在零样本评级预测任务的表现改进方面具有的有效性。

Mar, 2023

ChatGPT 作为您的个人数据科学家

本研究介绍了一种基于 ChatGPT 的对话式自动化机器学习 (AutoML) 框架作为 “个人数据科学家”，通过多个语言模型实例构建了自然界面，展示了对话式数据科学的新概念，同时也突出了 ChatGPT 的潜在缺陷和改进机会。

May, 2023

基于对话 AI 的设计：ChatGPT 作为设计师、用户和产品

该研究旨在研究 ChatGPT 在人本设计过程中的能力，通过一个虚构的设计项目，证明 ChatGPT 可以表现为设计师、用户或产品，提高了用户体验，但是存在一定的局限性，为未来研究提供了参考方向。

Feb, 2023

ChatEd: 高等教育中基于 ChatGPT 的增强学习体验的聊天机器人

结合 ChatGPT 和传统的基于信息检索的聊天机器人框架，提供优化的高等教育学生支持，以解决 LLMs 在教育背景下生成错误、偏见或无用答案的挑战。

Dec, 2023

BookGPT：基于语言模型的图书推荐通用框架

本文介绍了一种基于 ChatGPT 的 BookGPT 书籍推荐系统，利用大型语言模型技术实现了书籍的评分、用户评分和书籍概述等三项典型任务。同时，本文还讨论了 BookGPT 在书籍推荐场景中的优缺点，并分析了后续 LLM 在这些场景中的机遇和改进方向。

May, 2023

ChatGPT 基于对话推荐系统的用户体验导航：提示引导和推荐领域的影响

使用 ChatGPT 为基础的对话式推荐系统研究了 Prompt Guidance（PG）和 Recommendation Domain（RD）这两个因素对系统整体用户体验的影响，并发现 PG 可以大大提升系统的可解释性、适应性、感知易用性和透明度，而用户在书籍推荐领域相较于职位推荐领域更倾向于感知到新颖性，并展现更高的从事和尝试推荐项目的倾向。此外，PG 对某些用户体验度量和交互行为的影响似乎受到推荐领域的调节，这也证明了这两个因素之间的交互效应。该研究为基于 ChatGPT 的用户中心评估的对话式推荐系统提供了实用的设计指导。

May, 2024

在大语言模型时代重新思考对话式推荐系统的评估

本文介绍了利用大型语言模型进行对话推荐的研究，并提出了一种基于 LLM 的用户模拟器的交互式评估方法 iEvaLM，从而改善了现有的评估协议。在两个公共数据集上的实验表明，ChatGPT 展现出较大的优势，并强调解释性的评估。此研究有助于更深入地理解 LLMs 在 CRSs 中的潜力，并为未来的研究提供一个更灵活、易于使用的评估框架。

May, 2023