E4SRec：面向序列推荐的大型语言模型优雅、有效、高效且可扩展的解决方案
信息检索
2023-12-06 v1 人工智能
摘要
大型语言模型（LLM）的最新进展激发了人们利用其潜力应用于推荐系统的兴趣。由于 LLM 是为自然语言任务设计的，现有的推荐方法主要将推荐任务转化为开放域自然语言生成任务。然而，这种方法要求物品具有丰富的语义信息，经常生成超出范围的结果，并且效率极低且可扩展性有限。此外，基于 ID 的实用推荐策略依赖于大量唯一标识符（ID）来表示用户和物品，由于其有效性和高效性，在现实世界的推荐系统中已获得重要地位。尽管如此，LLM 无法对 ID 进行建模，这在试图利用 LLM 进行个性化推荐时构成了巨大挑战。在本文中，我们提出了一种面向序列推荐的大型语言模型的优雅、有效、高效且可扩展的解决方案（E4SRec），它将 LLM 与仅使用 ID 表示物品的传统推荐系统无缝集成。具体而言，E4SRec 将 ID 序列作为输入，确保生成的输出落在候选列表内。此外，E4SRec 能够在单次前向过程中生成整个排序列表，并且仅需一小组可插拔参数，这些参数针对每个数据集进行训练，同时保持整个 LLM 冻结。我们通过在四个广泛使用的真实世界数据集上进行全面实验，证实了所提出的 E4SRec 的有效性、高效性和可扩展性。实现代码可在 https://github.com/HestiaSky/E4SRec/ 获取。
引用
@article{arxiv.2312.02443,
title = {E4SRec: An Elegant Effective Efficient Extensible Solution of Large Language Models for Sequential Recommendation},
author = {Xinhang Li and Chong Chen and Xiangyu Zhao and Yong Zhang and Chunxiao Xing},
journal= {arXiv preprint arXiv:2312.02443},
year = {2023}
}