CherryRec：基于 LLM 驱动框架提升新闻推荐质量
信息检索
2024-06-19 v1 人工智能
摘要
大型语言模型 (LLM) 在语言理解和生成方面取得显著进展。基于文本特征的定制 LLM 已应用于推荐系统，在各种推荐场景中展现出改进效果。然而，大多数现有方法基于预训练知识进行未训练的推荐（例如电影推荐），且 LLM 的自回归生成导致推理速度较慢，在实时推荐中效果不佳。为此，我们提出一个名为 CherryRec 的框架，用于新闻推荐，确保推荐质量的同时加快推荐进程。具体而言，我们采用知识感知新闻快速选择器基于用户的交互历史检索候选项。随后将历史记录和检索到的项目作为文本输入到微调的 LLM 中，即内容感知新闻 LLM 评估器，旨在增强新闻推荐能力。最后，价值感知新闻评分器将整合评分以计算 CherryRec 评分，用作最终推荐的依据。我们通过在基准数据集上与当前最先进的基线方法进行比较来验证所提出框架的有效性。我们的实验结果 consistently 显示，CherryRec 在推荐性能和效率方面均优于基线方法。项目资源可访问于：https://github.com/xxxxxx
引用
@article{arxiv.2406.12243,
title = {CherryRec: Enhancing News Recommendation Quality via LLM-driven Framework},
author = {Shaohuang Wang and Lun Wang and Yunhan Bu and Tianwei Huang},
journal= {arXiv preprint arXiv:2406.12243},
year = {2024}
}