利用大型语言模型重新排序以增强推荐的多样性
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
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
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
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
这篇论文通过引入具有对齐的列表排名目标的语言模型框架(ALRO)来解决基于 LLMs 的推荐系统中排名任务的问题,并使用适应语言生成任务的 soft lambda loss 和解决位置偏差的置换敏感学习机制,实验证明 ALRO 优于现有的基于嵌入的推荐方法和基于 LLMs 的推荐基准。
Mar, 2024
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
通过分析工作推荐,揭示大型语言模型中的人口统计偏见。研究发现 LLMs 存在与不同人口统计身份相关的偏见,如 Mexican workers 普遍倾向于低薪工作,女性倾向于秘书角色。这突出了在后续应用中量化 LLMs 偏见的重要性,以了解可能造成的伤害和不公平结果。
Aug, 2023
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