LLM-Rec: 基于提示大语言模型的个性化推荐系统
LLM-Rec: 基于提示大语言模型的个性化推荐系统
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型中融入多样化的提示和输入增强技术以提高个性化内容推荐能力的重要性。
论文：arxiv.org/abs/2307.15780
大型语言模型（LLM）在推荐系统中的使用在最近的研究中引起了极大的关注。许多研究已经探索了LLM作为推荐模型的直接使用。这些方法的基本原理包括构建包含推荐任务、用户配置文件、物品属性和用户-物品交互的提示。然后，这些特定于任务的提示被作为LLM的输入呈现，LLM被指示预测给定用户和项目之间交互的可能性。
虽然这些工作展示了LLM作为强大推荐模型的潜力，但重点主要是直接利用LLM进行推荐。然而，在这项研究中，本文从不同的角度来看待这个问题。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。这些策略包括基本提示、推荐驱动提示、参与引导提示以及推荐驱动提示和参与引导提示相结合。通过利用这些策略，我们旨在增强LLM对输入文本的生成，并提高内容推荐的准确性和相关性。
通过全面的实证实验，我们评估了LLM-Rec框架的有效性，并将其与基线方法进行了比较。我们的研究深入了解了不同提示策略对推荐性能的影响，并揭示了利用LLM进行个性化内容推荐的潜力。
所提方法
本文提出了四种提示策略:
- 基本提示: 包含三种基本提示, 分别用, 和表示, 其分别指示LLM进行原始内容描述的释义、摘要和归纳。具体的，指示LLM改写原始内容描述，强调在不引入任何额外细节的情况下保持相同信息的目标。指示LLM通过使用标记来总结内容描述，旨在生成更简洁的概述，以捕获关键信息。指示LLM推断原始内容描述的特征，并提供在更广泛、更不详细的粒度级别上操作的分类响应。
- 推荐驱动提示: 在基本提示的基础上加入推荐驱动指示, 得到, 和。明确生成的内容描述用于内容推荐, 引导LLM聚焦在关键特征上。
- 参与指导提示: 这种提示策略是利用用户行为(即用户-物品参与度)来设计提示，目的是引导LLM更好地捕捉内容描述中与用户偏好一致的特征。我们的目标是通过这种类型的推荐任务提示生成更有意义的描述。我们把这种变体称为．
- 推荐驱动与参与指导组合提示: 融合推荐驱动和参与指导提示的优点。
在这项研究中，我们使用一个完善的推荐基准，深入研究了大型语言模型的内容推荐提示领域。如下图所示，评估体系结构包括三个关键组件：项目模块、用户模块和推荐模块。在整个评估过程中，我们确保用户模块和推荐模块在所有基线中保持一致。唯一的变化在于增强文本，它是由语言模型（LLM）使用不同的提示生成的。因此，增补文本是基线中唯一的区别因素。
实验结果
实验结果表明,除了基准外,其他方法中LLM生成的增强文本与原始内容描述的组合都可以提高推荐性能。
推荐驱动提示主要增强了面向推荐的文本生成。
相比基本提示,的推荐性能有所提升,表明参与指导提示让LLM生成的内容更符合用户偏好。
的推荐性能最好,表明推荐驱动和参与指导提示的组合作用。
总结
本文介绍了LLM-Rec提示策略,利用大语言模型进行输入增强,以提高个性化内容推荐。通过对LLM-Rec四种变体的全面实验,观察到增强输入文本与原始内容描述的组合可显著提高推荐性能。这些发现强调了使用LLM和策略化提示技术来提高个性化内容推荐的准确性和相关性的潜力。本文的研究凸显了创新方法对利用LLM进行内容推荐的重要性,并展示了输入增强在改进推荐性能方面的价值。随着个性化内容推荐在各个领域继续发挥关键作用,研究为有效运用LLM提供提供了洞见,以提供增强的推荐体验。
更多技术细节请阅读原始论文。