为了提供对现有基于LLM的推荐系统的全面理解,本综述提出了一种分类法,将这些模型分为两大范式,分别是用于推荐的判别型LLM(DLLM4Rec)和用于推荐的生成型LLM(GLLM4Rec),其中后者是首次被系统地整理出来。此外,我们在每种范式中都系统地回顾并分析了现有的基于LLM的推荐系统,提供了它们的方法、技术和性能的洞察。此外...
一、风云际会:推荐系统遇上 LLM 1.1 基于 LLM 的推荐系统的优点 1.2 基于 LLM 的推荐系统的不足 二、百花齐放:当前流行方案一览 2.1 NIR 2.2 Chat-REC 2.3 TALLRec 2.4 InstructRec 2.5 RecLLM 三、见微知著:通过实践理解细节 3.1 数据及模型 3.2 训练与评估过程 3.3 LLM 应用于推荐系统的展望 参考资料 ...
客观商品描述收集:通过分析商品的事实性描述,确定商品的类别(如电影的类型),并从商品的基本信息(如名称、属性和类别)出发,利用LLM生成商品可能引起用户喜欢或不喜欢的客观原因。例如,在电影推荐中,LLM会根据电影的属性和类别,生成该电影的优缺点及其对应的证据和关键词。这些关键词和证据为后续的用户偏好分析提供了客观...
这种配置允许LLM在LLM4Rerank框架内自动导航,根据当前可用的信息做出决策。 这概述了论文针对节点结构定制化的挑战,旨在增强LLM4Rerank框架的可扩展性的策略。具体而言,论文引入了一种通用的节点结构,作为所有节点的基础,如图2(b)所示。这种通用节点代表在LLM考虑下的单步重排序。通用节点的输入包括用户信息的语义表示、...
为了解决这些问题,来自上海交通大学和华为诺亚方舟实验室的研究人员推出了 AutoGraph 框架。该框架能够自动构建图,并根据动态调整来增强推荐的准确性,同时利用大型语言模型(LLMs)提升上下文理解能力。 目前,基于图的推荐系统普遍被采用,然而,现有系统需要用户手动设定图中的特征及其连接,耗时且效率低下。同时,事先设定的...
为了应对这些挑战,基于大模型(LLMs)的推荐系统逐渐崭露头角。 大模型(LLMs)是指具有庞大参数规模的深度学习模型,如GPT-3、BERT等。它们具有强大的文本处理能力,可以处理大量的文本数据,并从中提取有用的信息。在推荐系统中,大模型可以帮助我们更好地理解和分析用户的行为和兴趣,从而为用户提供更准确的推荐。 然而...
论文链接:https://arxiv.org/abs/2501.02226 本文提出的K-RagRec框架在推荐系统领域具有重要的理论价值和实践意义。通过结合知识图谱的结构化信息,有效解决了基于LLM推荐系统面临的幻觉和知识更新问题。未来可以进一步探索更大规模模型和更丰富知识源的应用场景。
从零构建工业级基于LLM即插即用的推荐系统，E4SRec方案旨在解决LLM与传统推荐系统在整合ID上的挑战，提升推荐系统性能与效率。通过将大型语言模型（LLM）与传统推荐模型无缝集成，E4SRec系统仅接收ID序列作为输入，确保生成的推荐结果位于候选列表中。该方案包括四个关键阶段：顺序推荐模型预训练、LLM指令调优...
TLDR本文研究了通过输入增强来提高大语言模型个性化内容推荐性能的各种提示策略。提出的方法LLM-Rec包括四种不同的提示策略:1)基本提示 2)推荐驱动提示 3)参与指导提示 4)推荐驱动+参与指导提示。 实验结果表明,将原始内容描述与LLM使用这些提示策略生成的增强输入文本相结合,可以提高推荐性能。这一发现强调了在大语言模...
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，...