EasyRec：简单而有效的推荐语言模型
该研究介绍了 DeepRec 开源项目，它是一个使用 Python 和 Tensorflow 实现的深度学习推荐算法库，提供评分预测、top-N 推荐和顺序推荐功能，并保持良好的模块化和可扩展性，可随时加入新的模型。
May, 2019
本文提出了一种灵活且统一的文本到文本范式（P5），将各种推荐任务统一到一个共享框架中，使用自然语言序列捕捉深层次的语义，通过自适应的个性化提示进行预测，并在多个推荐基准上证明了其有效性。
Mar, 2022
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
通过利用用户-物品交互矩阵的统计特性，我们学习了用于支持无需用户或物品辅助信息的零-shot自适应（zero-shot recommendation）的通用表示，从而探索了预训练推荐模型在新领域构建推荐系统的可能性。
Sep, 2023
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
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。
Apr, 2024
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
通过使用充满协作语义的交互图，我们提出了一种名为GAL-Rec的方法，通过模仿图神经网络（GNNs）的意图来提高语言模型驱动的推荐模型对用户-物品协作语义的理解能力，从而充分利用大型语言模型的学习能力，独立解决推荐系统中的复杂图形，实验证明GAL-Rec显著增强了协作语义的理解能力，并提高了推荐性能。
Jun, 2024
最近的研究表明，语言模型在语义之外还包含丰富的世界知识，这在各个领域引起了广泛关注。然而，在推荐领域中，目前尚不清楚语言模型是否隐含了用户偏好信息。本文反思了目前通行的理解，即由于语言和行为建模目标的巨大差距，语言模型和传统推荐模型学习的是两个不同的表示空间，探索从语言表示空间直接提取推荐表示空间。令人惊讶的是，我们的研究结果显示，当从先进的语言模型表示中进行线性映射得到的项目表示在推荐性能上超过了传统方法。这一结果表明，语言表示空间和有效的推荐表示空间之间存在同态性，暗示协同信号可能确实被编码在先进的语言模型中。在这些发现的基础上，我们提出了一种简单而有效的协同过滤模型AlphaRec，它利用项目的文本元数据（例如标题）的语言表示，而不是传统的基于ID的嵌入。具体而言，AlphaRec由三个主要组件组成：多层感知机（MLP）、图卷积和对比学习（CL）损失函数，使其非常易于实现和训练。我们的实证结果表明，AlphaRec在多个数据集上优于领先的基于ID的协同过滤模型，这是文本嵌入实现如此高性能的推荐器的首次案例。此外，AlphaRec引入了一种新的基于语言表示的协同过滤范式，具有多个优势：易于实现、轻量级、快速收敛、在新领域具有卓越的零-shot推荐能力，并且了解用户意图。
Jul, 2024