SIGIRMar, 2024

LLM-RecSys 文本 ID 学习对准

PDF
TL;DR通过 IDGen 方法将每个项目表示为独特、简洁、语义丰富、与平台无关的文本 ID，并通过基于 LLM 的推荐系统和文本 ID 生成器的协同训练，无缝地将个性化推荐融入自然语言生成，从而建立了一个基础生成推荐模型。实验结果表明，该方法在标准实验设置下在序列推荐方面始终优于现有模型，并且该方法在从 19 个不同数据集中收集的数据上进行零 - shot 训练后，在 6 个不同平台上的未见数据集上的推荐性能与一些基于监督训练的传统推荐模型相当甚至更好，展示了 IDGen 模式作为生成推荐基础模型的潜力。
generative recommendationlarge language modelsidgentext-to-text generationfoundation model
发现论文，激发创造
  • GenRec: 大型生成式推荐模型

    使用大型语言模型 (LLM) 为基础的生成式推荐 (GenRec) 方法，通过解释上下文、学习用户偏好和生成相关推荐，充分利用大型语言模型编码的丰富知识，为推荐系统带来革命性的潜力和未来发展方向。

    Jul, 2023

  • 利用大型语言模型进行推荐的表示学习

    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

  • 从大型语言模型到推荐系统的知识迁移：实践工业应用

    借助大型语言模型（LLMs）预训练的能力来提升推荐系统的性能，采用 LLMs 作为物品编码器，通过 LEARN 框架将开放世界知识与协同知识相结合，以解决冷启动和长尾用户推荐中的性能问题。

    May, 2024

  • 推荐系统基础模型中如何对物品 ID 进行索引

    该研究使用大型语言模型将推荐任务转换为自然语言任务，提出了生成式推荐的基础模型，重点研究了指数化问题，提出了四种简单而有效的解决方案，并通过真实世界数据验证了提出解决方案的有效性。

    May, 2023

  • LLM 强化的生成式新闻推荐初探

    本文介绍一种基于大型语言模型的可生成新闻推荐框架 GENRE，通过预训练的语义知识，提供了一种灵活且统一的新闻推荐解决方案，可以用于个性化新闻推荐、用户画像和新闻摘要。各种流行的推荐模型的广泛实验证明了 GENRE 的有效性。

    May, 2023

  • 可解释推荐的个性化提示学习

    该研究提出了一种利用预训练模型和新型 prompt learning 方法实现基于用户可解释性推荐的方法，并与传统方法相比，有着更好的表现。

    Feb, 2022

  • TokenRec: 学习为基于 LLM 的生成推荐摘要生成对应 ID 的方式

    为了提高下一代推荐系统的性能，该研究使用大规模语言模型（LLMs）来加强推荐系统，通过对用户和项目进行索引化以保证 LLMs 和推荐对齐，同时引入了一种名为 TokenRec 的新框架，提供了有效的 ID 索引策略和高效的检索方法，能够有效地处理高阶合作知识和推荐生成。

    Jun, 2024

  • RA-Rec：基于 LLM 的推荐系统中的高效 ID 表示对齐框架

    提出了一种新的 ID 表示对齐框架 RA-Rec，该框架结合了预训练的 ID 嵌入和 LLM，通过创新的对齐模块和高效的调整方法实现了高效的基于 LLM 的推荐，相对于当前最先进的方法，取得了多达 3.0% 的 HitRate@100 改进。

    Feb, 2024

  • 推荐系统中的大型语言模型调查

    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

  • 会话式推荐的项目语言模型

    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