该论文提出了一种以自然语言为指令的方法来开发推荐模型,这种方法可以更好地适应用户需求,实现个性化推荐,并在真实数据集上比多个竞争基线模型表现更优。
May, 2023
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。
本文综述了基于应用方向的大语言模型在推荐系统中的应用,从‘何处’和‘如何’两方面总结了现有研究工作,并讨论了调整大语言模型到推荐系统中面临的关键挑战和未来前景。
Jun, 2023
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
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
利用大型语言模型(LLMs)处理明确反馈可以提高推荐系统在少样本场景中的性能。LLMs具备生成和逻辑推理能力,能够有效处理明确反馈,成为增强推荐系统性能的组成部分。
Dec, 2023
利用外部知识辅助大规模语言模型(LLM)在生成真实可用的文本方面具有潜力,因此我们提出了一种名为‘Knowledge-Enhanced LLMRec’的方法,通过使用外部知识在生成过程中,并且通过基于知识的对比学习方案来训练模型,实验证实了该方法的有效性。
Mar, 2024
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
利用大型语言模型和知识图谱相结合的方法,增强推荐系统的效果和可解释性,并通过实验证明在实际交叉销售推荐系统中具有实用性和潜力。
Jun, 2024
本研究针对序列推荐系统面临的长尾问题,提出了一种新颖的方法LLMEmb,通过利用大型语言模型生成项目嵌入,提高推荐性能。研究表明,结合监督对比微调和推荐适应训练的策略,LLMEmb在多个实际数据集上超越了现有的推荐方法,增强了用户发现新项目的能力,推动了系统的整体效益。
Sep, 2024