面向 LLM 基于对话的推荐系统：引入外部知识与目标引导
计算与语言
2024-05-06 v1
摘要
本文旨在高效地使大语言模型（LLM）在对话式推荐系统（CRS）任务中能够利用外部知识和目标引导。先进的 LLM（如 ChatGPT）在以下方面在特定领域的 CRS 任务中受限：1）生成带有推荐导向知识的有根响应，或2）通过不同的对话目标主动引导对话。本文通过全面评估分析了这些限制，表明外部知识和目标引导对推荐准确性和语言质量具有显著贡献的必要性。基于此发现，我们提出了一种 novel ChatCRS 框架，通过实现 1）使用工具增强方法进行知识检索代理，基于外部知识库进行推理，以及2）用于对话目标预测的目标规划代理，将复杂的 CRS 任务分解为多个子任务。在两个多目标 CRS 数据集上的实验结果表明，ChatCRS 达到了新的 state-of-the-art 基准，语言质量（信息丰富性）提升了 17%，主动性提升了 27%，且推荐准确性提升了一个数量级。
引用
@article{arxiv.2405.01868,
title = {Incorporating External Knowledge and Goal Guidance for LLM-based Conversational Recommender Systems},
author = {Chuang Li and Yang Deng and Hengchang Hu and Min-Yen Kan and Haizhou Li},
journal= {arXiv preprint arXiv:2405.01868},
year = {2024}
}
备注
Main paper 8 pages; References and Appendix 9 pages; 7 figures and 14 tables