因此,一个新的推荐框架LLMRec被提出以利用大语言模型有效地协助推荐系统。具体地,LLMRec提出使用三种基于大语言模型的数据增强策略来强化使用辅助信息的推荐系统,这三种数据增强策略是: i) 隐式反馈的增强 ii) 物品属性的增强 iii) 用户画像的增强。 这三种数据增强的方式不仅充份地利用了数据集的文本信息和大语言...
为解决这些问题,我们提出 LLMRec 结合三种策略增强交互图:i) 加强用户-内容交互边,ii) 提升内容属性建模,iii) 构建用户画像。为解决前两个问题,我们设计了一种基于LLMs的贝叶斯个性化排序采样算法,以及去噪数据增强机制。我们的方法已在真实世界数据集上进行评估,显示出优越性能。 Methodology LLMs as Implicit Feed...
用LLM进行隐式反馈的增强的原理是:基于用户历史行为中蕴含的辅助信息,通过LLM强大的知识体系和推理能力,来推荐用户感兴趣的候选集,并从中抽样出user-item pairs对,作为增强的数据。 具体过程:LLMRec首先利用useru的历史交互items及其side information和候选集构建prompt。此处需注意,因为受 ‘max_token_length’的限制,...
本研究没有使用LLM作为推荐模型,而是深入探讨了使用LLM增强输入文本的提示策略,以进行个性化内容推荐。通过利用LLM,我们试图释放它们在生成高质量和上下文感知的输入文本以用于增强推荐方面的潜力,LLM已在广泛的语言数据集上进行了微调。 具体来说,我们提出了LLM-Rec提示,它包括为个性化内容推荐量身定制的各种提示策略。这...
我们探索了多种提示策略,旨在通过输入增强来提升大型语言模型(LLM)在个性化内容推荐方面的性能。我们提出的方法,命名为LLM-Rec,包含四种不同的提示策略:(1)基本提示、(2)推荐驱动提示、(3)参与引导提示以及(4)推荐驱动+参与引导提示。 实证实验表明,将原始内容描述与使用这些提示策略生成的LLM增强输入文本相结合,可以...
过往LLM 探索方向:大致分为三种: 利用LLM 提供一些信息给推荐系统 将推荐系统转变为对话驱动的形式 修改LLM 不再只是文本输入/输出,比如直接输入 ID feature 给 LLM LLM4Rec 挑战:其中一个 issue 是在相同时间 span 情况下,相比 ID-based 方法 ...
基于LLM的增强技术通过解决稀疏性和改进不完整的侧边信息来增强推荐者的潜力是不可否认的。然而,有效地实施这种方法需要解决上述挑战。因此,我们设计了一个新的框架LLMRec来解决这些挑战。解决方案:我们的目标是解决来自用户-项目交互的稀疏隐式反馈信号的问题,同时提高边信息的质量。我们提出的LLMRec包含了三种...
鉴于大型语言模型(LLMs)的最新进展,它具有广泛的知识库和强大的推理能力,作者提出了一个名为LLMRec的新框架,该框架通过采用三种简单而有效的基于llm的图增强策略来增强推荐系统。(i)加强用户-项目交互边,(ii)增强对项目节点属性的理解,以及(iii)从自然语言的角度直观地进行用户节点分析。此外,为了保证增强的质量,...
LLMRec: Large Language Models with Graph Augmentation for Recommendation 论文:https://arxiv.org/pdf/2311.00423.pdf 代码:https://github.com/HKUDS/LLMRec 作者提出了三种基于LLMs的异质图数据增强范式,包括1)交互边的增强;2) 有基础文本信息的节点的增强;3) 无基础文本信息的节点的增强。这三种数据增强转...
1. **隐式反馈的增强**：LLMRec直接增强潜在交互，利用大语言模型作为知识感知采样器来增加pair-wise的BPR训练数据。这种方式利用数据集中的文本信息和大语言模型的优势，从自然语言的角度构建用户偏好模型，而不仅仅是依赖于ID级别的交互。2. **物品属性的增强**：在传统的使用辅助信息的推荐系统中，...