利用情境用户评论提升评分预测：面向即插即用大语言模型

将大语言模型 (LLM) 的输出个性化以匹配 individual user preferences 是活跃的研究领域。然而，先前研究主要聚焦于分类或排序任务，对需语言与数学推理能力的 Likert 尺度评分预测 (regression task) 鲜有涉及。这一任务在工业上具有重要应用价值，但关于即插即用 LLM 的利用仍不受关注。本研究探讨即插即用 LLM 在评分预测中的性能，提供不同的情境信息。通过针对三个数据集进行全面实验，使用八个模型实验，证明用户撰写的评论显著提升 LLM 的评分预测性能。这一结果相当于传统方法如矩阵分解，凸显 LLM 作为 cold-start 问题解决方案的潜力。我们还发现，基于具体物品的评论比基于无特定物品的通用偏好描述更有效。进一步发现，引导 LLM 先生成假设性评论可提升评分预测性能。我们的代码已公开于 https://github.com/ynklab/rating-prediction-with-reviews。