超越项间关系：动态适配增强基于LLM的序列推荐
信息检索
2024-10-17 v2
摘要
序列推荐系统（SRS）根据用户历史交互序列预测用户可能偏好的下一项目。受大型语言模型（LLM）在各种AI应用中兴起的影响，基于LLM的SRS研究激增。尽管它们具有吸引人的性能，但现有的基于LLM的SRS仍存在一些局限性，包括忽略项内关系、忽视长期协同知识以及使用不灵活的架构设计进行适配。为了缓解这些问题，我们提出了一种名为DARec的基于LLM的序列推荐模型。在捕获项间关系的粗粒度适配基础上，DARec进一步通过（1）上下文掩码来建模项内关系，帮助LLM更好地理解SRS语境中的token和item语义；（2）协同知识注入，帮助LLM融入长期协同知识；以及（3）一种动态适配机制，利用贝叶斯优化灵活选择逐层适配器架构，以更好地融合不同的序列信息。大量实验表明，DARec能够以动态和自适应的方式有效处理序列推荐。
引用
@article{arxiv.2408.07427,
title = {Beyond Inter-Item Relations: Dynamic Adaption for Enhancing LLM-Based Sequential Recommendation},
author = {CanYi Liu and Wei Li and Youchen and Zhang and Hui Li and Rongrong Ji},
journal= {arXiv preprint arXiv:2408.07427},
year = {2024}
}
备注
11 pages, 14 figures