大语言模型作为基于语言与基于物品的偏好下近冷启动推荐器的竞争力
信息检索
2023-07-27 v1 机器学习
摘要
传统推荐系统利用用户的物品偏好历史来推荐用户可能喜欢的新内容。然而，允许用户输入基于语言的偏好的现代对话界面，提供了一种根本不同的偏好输入模态。受近期大语言模型(LLMs)提示范式成功的启发，我们研究其与最先进的基于物品的协同过滤(CF)方法相比，用于基于物品与基于语言的偏好进行推荐的能力。为支持该探究，我们收集了一个新数据集，包含从用户处获取的基于物品与基于语言的偏好，以及他们对多种（有偏的）推荐物品与（无偏的）随机物品的评分。在众多实验结果中，我们发现相较于基于物品的CF方法，LLMs在近冷启动情形下对纯语言偏好（无物品偏好）提供了有竞争力的推荐性能，尽管其未针对该特定任务进行有监督训练（零样本）或仅含少量标签（少样本）。这尤其令人鼓舞，因为基于语言的偏好表示比基于物品或基于向量的表示更具可解释性与可审查性。
引用
@article{arxiv.2307.14225,
title = {Large Language Models are Competitive Near Cold-start Recommenders for Language- and Item-based Preferences},
author = {Scott Sanner and Krisztian Balog and Filip Radlinski and Ben Wedin and Lucas Dixon},
journal= {arXiv preprint arXiv:2307.14225},
year = {2023}
}
备注
To appear at RecSys'23