Feb, 2024

LLM4SBR：一种轻量且有效的用于在基于会话的推荐中整合大型语言模型的框架

PDF
TL;DR传统会话推荐 (SBR) 使用来自匿名用户的会话行为序列进行推荐。最近，大型语言模型 (LLMs) 在与推荐系统 (RS) 的集成方面取得了巨大的进展。为了解决这些问题，我们提出了面向 SBR 的 LLM 集成框架 (LLM4SBR)。通过将会话数据转化为文本和行为的二模态形式，并在不同角度使用 LLMs 的推理能力，LLM4SBR 显著提高了传统 SBR 模型的性能，适合工业部署。
session-based recommendationlarge language modelsrecommender systemllm integration frameworksession data
发现论文，激发创造
  • 与图形会话推荐相结合的大型语言模型的整合

    通过将大型语言模型（LLMs）与图神经网络（GNNs）有机地结合为 SBR（基于会话的推荐）任务设计了 LLMGR 框架，旨在提高会话内的项目理解和推荐能力，通过辅助和主要指令调整任务的提示来赋予 LLM 处理图结构数据的能力，通过在三个实际数据集上进行广泛实验，证明 LLMGR 在提升 SBR 任务方面优于竞争性基线模型，显示其对未来研究的潜力。

    Feb, 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

  • 大型语言模型增强的长尾用户和物品的顺序推荐

    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

  • 序列 / 会话推荐：挑战、方法、应用和机遇

    本文旨在提出统一框架和问题陈述，以填补序列推荐系统（SRS）和基于 session 的推荐系统（SBRS）的现有不一致性，并提供数据特征，难点，现有方法，实际应用和未来研究方向的全面系统演示，以促进这个领域的进一步研究。

    May, 2022

  • 基于会话的推荐系统综述

    本文回顾了 session-based recommender systems 的现有研究，总结了数据特征和挑战，并提出了新的研究机会。

    Feb, 2019

  • STAR：面向会话的时序推荐系统

    该论文研究了会话时间信息对于基于会话的推荐系统的性能的潜在作用，并提出了一种不使用离散化的机制（STAR 框架），其利用会话内事件之间的时间间隔来构建更详细的表示，并在 Yoochoose 和 Diginetica 数据集上实现了 Recall 和 MRR 等指标上的最佳性能。

    Nov, 2022

  • 用于基于意图的会话推荐的大型语言模型

    利用大型语言模型（LLM）的先进推理能力，我们提出了一种新颖的 ISR 方法，通过生成初始提示来引导 LLMs 预测会话中的下一个项目，然后通过迭代自反和调整提示的创新优化机制来完善这个过程，进一步基于 LLMs 的广泛适应能力，我们的提示选择模块快速选择各种领域中最优化的提示，使 LLMs 能够在语义层面上辨别各种用户意图，从而实现更准确和可解释的会话推荐。在三个真实数据集上的广泛实验证明了我们方法的有效性，并在 ISR 系统中取得了重大进展。

    Dec, 2023

  • LLM4MSR: 多场景推荐的增强 LLM 模型

    提出了一种有效高效可解释的 LLM4MSR 模型，通过利用大型语言模型和层次元网络结构来提升多场景推荐的效果和可解释性。在多个数据集上验证了 LLM4MSR 的有效性、兼容性以及在工业推荐系统中的高效性并实现了更好的可解释性。

    Jun, 2024

  • CORE：一种简单且有效的基于会话的推荐算法，其使用一致的表示空间

    提出了一种名为 CORE 的简单而有效的框架，可以统一编码和解码过程的表示空间，通过采用表征一致的编码器和鲁棒的距离测量方法，以解决在匿名会话中预测下一个项目时由于非线性编码器学习到的会话嵌入通常不在相同的表示空间中而导致的预测不一致问题，并在五个公开的真实世界数据集上进行了广泛的实验以证明该方法的有效性和效率。

    Apr, 2022

  • 从用户 - 会话 - 项目的分层结构中学习相似度，用于个性化会话推荐

    本文提出了一种基于 Graph Neural Network 的个性化 Session-Based Recommendation 模型，该模型通过建立 UserGraph 并运用对比损失函数和用户嵌入相似性来实现多用户之间信息交互以及提高推荐的准确性。

    Jun, 2023