Jul, 2024

Review-LLM: 利用大型语言模型生成个性化评论

HTML
PDF
TL;DR通过使用Review-LLM，我们成功地将大型语言模型应用于个性化评论生成，实验结果表明，我们的模型在实现更好的评论生成性能方面优于现有的闭源大型语言模型。
发现论文，激发创造
  • 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

  • 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

  • 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

  • LLM-Rec：借助大型语言模型的个性化推荐

    通过输入增强措施，我们研究了各种提示策略来提高大型语言模型在个性化内容推荐中的性能。我们提出了一种名为LLM-Rec的方法，包括四种不同的提示策略：基本提示、推荐驱动的提示、参与驱动的提示和推荐驱动加参与驱动的提示。我们的实证实验证明结合原始内容描述和LLM生成的增强输入文本，使用这些提示策略可以改善推荐性能。这一发现强调了将多样的提示和输入增强技术与大型语言模型相结合以提高个性化内容推荐能力的重要性。

    Jul, 2023

  • 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

  • 大型语言模型用于生成式推荐：调研与前瞻讨论

    近年来，大型语言模型在不同领域特别是自然语言处理和计算机视觉中得到广泛应用，推荐系统也出现了这种趋势。这篇综述论文从三个问题的角度探讨了基于大型语言模型的生成式推荐的进展、方法和未来方向：1）什么是生成式推荐，2）为什么推荐系统应该向生成式推荐发展，以及3）如何为各种推荐系统任务实现基于大型语言模型的生成式推荐。希望这篇综述可以提供探索这一有趣且新兴话题所需的背景和指导。

    Sep, 2023

  • 个性化和可解释推荐的大型语言模型调查

    最近几年，推荐系统(Recommender Systems)在自然语言处理(Natural Language Processing)领域迎来了巨大的变革，得益于大型语言模型(Large Language Models)的出现。这些模型，如OpenAI的GPT-3.5/4和Meta的Llama，在理解和生成类似人类的文本方面展示了前所未有的能力，从而在个性化和可解释性推荐领域引发了范式转变，因为大型语言模型提供了处理大量文本数据以增强用户体验的多功能工具集。为了全面了解现有的基于大型语言模型的推荐系统，本综述旨在分析推荐系统如何从大型语言模型的方法中受益。此外，我们还描述了个性化解释生成(Personalized Explanation Generating)任务中的主要挑战，包括冷启动问题、公平性和偏见问题。

    Nov, 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

  • 优化评审生成通过提示生成

    我们提出了一种高效的两阶段审稿生成框架Reviewer2，通过明确建模审稿可能涉及的各个方面的分布来生成更详细、更全面的审稿，解决了自动审稿生成方法缺乏细节和评述范围与人工评审者相比较少的问题。

    Feb, 2024

  • 生成型探索利用：基于LLM优化器的无需训练优化生成型推荐系统

    通过将用户反馈环路与基于大型语言模型的优化器相连接，我们提出了一种无需训练的优化生成式推荐器的方法，该方法不仅能够利用已知高度参与的生成内容，还能主动探索和发现隐藏的人群偏好以提高推荐质量。我们在两个领域（电子商务和一般知识）上评估了我们的方法，并使用点击率（CTR）对用户反馈进行建模。实验表明，我们的基于大型语言模型的探索-开发方法可以迭代地改进推荐，且不断提高CTR。消融分析表明，生成式探索是学习用户偏好的关键，避免了贪婪的仅开发方法的陷阱。人类评估强烈支持我们的定量发现。

    Jun, 2024