大型语言模型融合协同过滤：高效全能型基于LLM的推荐系统
信息检索
2024-06-04 v2 人工智能
摘要
协同过滤推荐系统（CF-RecSys）在提升社交媒体和电子商务平台用户体验方面取得了连续的成果。然而，随着CF-RecSys在稀疏用户-物品交互的冷启动场景下的困境，近期策略聚焦于基于预训练模态编码器和大型语言模型（LLM）利用用户/物品的模态信息（如文本或图像）。尽管这些方法在冷启动场景下效果显著，但我们注意到它们在温场景下表现不佳，因缺乏协同知识。本文提出一种高效的全能型基于LLM的推荐系统，称为A-LLMRec，既在冷启动场景中又在温场景中表现卓越。我们的核心思想是使LLM能够直接利用预训练最先进CF-RecSys中包含的协同知识，从而联合利用LLM的涌现能力以及由最先进CF-RecSys训练得到的高质量用户/物品嵌入。这一方法带来两个优势：（1）模型无关，允许与各种现有CF-RecSys集成；（2）高效，消除了LLM-based推荐器通常需要的大量微调。我们在多个真实数据集上的广泛实验表明，A-LLMRec在各种场景中均显示优越性能，包括冷启动/温启动、少样本、冷用户和跨域场景。除了推荐任务之外，我们还通过进行喜好类型预测任务，展示了A-LLMRec在理解协同知识后生成自然语言输出的潜力。我们的代码已公开：https://github.com/ghdtjr/A-LLMRec。
引用
@article{arxiv.2404.11343,
title = {Large Language Models meet Collaborative Filtering: An Efficient All-round LLM-based Recommender System},
author = {Sein Kim and Hongseok Kang and Seungyoon Choi and Donghyun Kim and Minchul Yang and Chanyoung Park},
journal= {arXiv preprint arXiv:2404.11343},
year = {2024}
}
备注
KDD 2024