基于分类的零射推荐与 LLMs

Jun, 2024

Taxonomy-Guided Zero-Shot Recommendations with LLMs

Yueqing Liang, Liangwei Yang, Chen Wang, Xiongxiao Xu, Philip S. Yu...

TL;DR利用分类词典为大型语言模型提供了一种新颖方法，通过将分类词典与模型结合，实现了高效的令牌利用和可控的特征生成，从而提升推荐质量。实验证明，与传统的零 - shot 方法相比，TaxRec 显著提升了推荐质量，展示了其作为个性化推荐器与大型语言模型的有效性。

Abstract

With the emergence of large language models (LLMs) and their ability to perform a variety of tasks, their application in recommender systems (RecSys) has shown promise. However, we are facing significant challeng

large language models recommender systems taxonomy dictionary taxrec zero-shot recommendations

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

LlamaRec：利用大型语言模型进行两阶段推荐排序

最近，大型语言模型 (LLMs) 在语言理解和生成方面取得了显著的进展，通过利用文本特征，定制 LLMs 也被应用于推荐，并在各种推荐场景中展示出改进。为了验证所提出框架的有效性，在基准数据集上与最先进的基线方法进行比较，我们的实验结果证明了 LlamaRec 的性能，在推荐性能和效率方面都取得了卓越的表现。

Oct, 2023

大型语言模型可用于零样本推荐系统排序

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

LLMRS：发挥基于 LLM 的推荐系统在软件购买中的潜力

通过使用预训练的大型语言模型对用户评论进行编码并生成个性化推荐，我们提出了 LLMRS，一种基于 LLM 的零样本推荐系统。在真实世界的 Amazon 产品评论数据集上进行实验，结果表明 LLMRS 优于基于排名的基线模型，成功从产品评论中捕捉到有意义的信息，从而提供更可靠的推荐。

Jan, 2024

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

LLMRec：在推荐任务上对大规模语言模型进行基准测试

通过 LLMRec，我们对各种推荐任务对多个常用的 LLM 模型进行了基准测试，发现 LLM 模型在准确性任务中表现中等，但在可解释性任务中与最先进的方法相比具有相当的性能，并通过定性评估进一步验证了生成内容的质量和合理性。

Aug, 2023

使用预训练的大型语言模型进行零样本下一项推荐

研究发现，使用 Zero-Shot Next-Item Recommendation (NIR) 方法可以使 GPT-3 模型在没有用户历史交互记录信息的情况下，成功地推荐电影，且在电影推荐方面，它甚至可以胜过一些训练有素的顺序推荐模型。

Apr, 2023

在标记零售银行交易过程中使用零点提示的自动创建和扩展主题分类系统

通过使用基于指令的精调大型语言模型（LLMs），本研究提出了一种无监督方法来自动生成和扩展主题分类法。我们运用主题建模和关键词提取技术创建初始主题分类法，并使用 LLMs 对结果进行后处理以创建层次结构。为了通过新术语扩展现有分类法，我们使用零样本提示来确定在何处添加新节点，这是首次在分类任务中提出此种方法。我们使用生成的分类法为来自零售银行数据集的商户分配标签。为了评估我们的工作，我们请 12 位志愿者回答一个两部分的表格，首先评估创建的分类法质量，然后评估基于该分类法为商户分配的标签。评估结果显示所选分类法的一致性率超过 90％，而商户分配的平均一致性超过 80％。

Jan, 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

通过图表示学习，理解关于大型语言模型的综述论文分类

我们开发了一种方法来自动将调查论文分配给一个分类体系，在 144 篇大型语言模型调查论文的元数据的基础上，我们探索了三种范式来分类分类体系中的论文。我们的研究表明，在两种范式中，利用共同类别图的图结构信息可以明显优于语言模型。我们发现我们的模型超过了人类的平均识别水平，而使用由较小模型生成的弱标签进行大型语言模型的微调，如本研究中的 GCN，比使用地面真实标签更有效，揭示了在分类任务中从弱到强的泛化潜力。

Feb, 2024