Apr, 2024

大型语言模型与协同过滤相遇：一种高效全能基于 LLM 的推荐系统

PDF
TL;DR提出了一种高效的全方位基于语言模型的推荐系统，能够在冷和热场景下表现出卓越的性能，并利用协同知识和高质量用户 / 物品嵌入来生成自然语言输出。
collaborative filteringrecommender systemsmodality informationlarge language modelsall-round llm-based recommender system
发现论文，激发创造
  • 大型语言模型是具有竞争力的几乎是零启动推荐器，适用于基于语言和项目的偏好

    传统的推荐系统利用用户对项目的偏好历史记录来推荐新内容，而现代对话界面则提供了一种基于语言偏好表达的基本不同模式。本文研究了大型语言模型 (LLM) 的提示范式在使用基于项目和语言偏好的推荐中与最先进的基于项目的协同过滤 (CF) 方法相比的应用。通过收集既包含基于项目偏好又包含基于语言偏好的新数据集，以及用户对多种（有偏见的）推荐项目和（无偏见的）随机项目的评分，支持了这一调查。在众多实验结果中，我们发现对于纯语言偏好（无项目偏好）的情况，LLM 在近乎冷启动的情况下与基于项目的 CF 方法相比提供了有竞争力的推荐性能，尽管其在这个特定任务上没有进行监督训练（零射击）或只有少数标签（少射击）。这一点尤其令人鼓舞，因为基于语言偏好的表示比基于项目或基于向量的表示更加可解释和可审查。

    Jul, 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

  • 大语言模型时代的推荐系统

    本论文对基于大型语言模型（LLMs）的推荐系统进行了全面综述，总结了 LLMs 在推荐系统中的应用方法，包括预训练、微调和提示，并讨论了未来方向。

    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

  • LLMs 在用户评分预测上的理解能力评估

    通过对传统的 Collaborative Filtering (CF) 方法和不同大小的 LLMs 在用户评分预测任务上的比较，发现 LLMs 存在数据效率方面的潜力，可以通过 fine-tuning 来达到与传统方法相当甚至更好的性能表现。

    May, 2023

  • 在对话式推荐系统中利用大型语言模型

    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

  • XRec: 可解释的推荐系统的大型语言模型

    这项研究介绍了一种名为 XRec 的模型无关框架，利用大型语言模型（LLMs）的语言能力推动可解释的推荐系统的发展，该框架通过集成协作信号和设计轻量级的协作适配器使 LLMs 能够理解用户和物品之间的复杂模式并更深入地了解用户的偏好，全面且有意义的解释能力优于其他基准方法。

    Jun, 2024

  • 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

  • 大型语言模型提升样本效率的推荐系统

    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

  • 探究大型语言模型对推荐系统的影响：一次广泛的综述

    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