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

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

本文提出了一个使用大型语言模型的端到端大规模语音推荐系统，并介绍了一些技术和实现细节，包括用户偏好理解、灵活对话管理、基于 LLM 的用户仿真器等。

May, 2023

本文通过在大规模行业数据集上进行广泛实验，发现大多数 LLMs 的中间层是多余的，并提出了一种名为 SLMRec 的基于小型语言模型的推荐模型，仅使用 LLM-based 推荐模型中 13% 的参数，同时在训练和推断时间成本上实现了高达 6.6 倍和 8.0 倍的加速。

May, 2024

本文通过在线实验的方式，从用户的角度探讨了使用大型语言模型（LLMs）进行个性化电影推荐的有效性。研究结果显示，LLMs 提供较强的推荐解释能力，但缺乏整体个性化、多样性和用户信任。此外，不同的个性化提示技术对用户感知的推荐质量影响不大，而用户观看的电影数量起到了更重要的作用。与此同时，LLMs 展示了更好地推荐知名度较低或小众化电影的能力。通过定性分析，我们发现与用户交互体验中的积极和消极关联的关键对话模式，并得出结论：为了获得高质量的 LLMs 推荐，提供个人背景和示例至关重要。

Apr, 2024

本研究提出了一种基于预训练编码器 - 解码器框架并整合外部知识的方法，旨在为生成长视频的现场评论提供支持。作者共收集了一个 MovieLC 数据集，并开源了相关代码，实验结果表明，该模型在客观度量和人类评估方面具备较高的效率。

Apr, 2023

LLM-KERec 利用大型语言模型捕捉用户意图转变，适应新项目，并提高在不断发展的电子商务领域中的推荐效率，通过整合互补知识解决传统推荐系统的局限性。

Feb, 2024

利用大型语言模型开发了一种新的会话式推荐系统（LLMCRS），能够有效管理子任务、解决不同的子任务、并生成与用户交互的响应，通过细化工作流程和使用强化学习的反馈优化，实验结果表明其性能超过现有方法。

Aug, 2023

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

我们提出了一种名为 ReLLa 的新框架，即检索增强的大型语言模型，用于零样本和少样本推荐任务，通过语义用户行为检索和检索增强指导调优技术，提高了大型语言模型在推荐系统中的推荐性能和对用户行为序列的理解能力。

Aug, 2023