让我来帮你：面向 LLM 赋能的推荐通过工具学习
信息检索
2024-05-27 v1
摘要
传统推荐系统 (RS) 面临在精确捕获用户细粒度偏好方面的挑战。大语言模型 (LLM) 在常识推理和利用外部工具方面显示出能力，这有助于解决这些挑战。然而，现有的 LLM-based RS 存在幻觉、项目语义空间与用户行为空间之间的错位，或过于简单化的控制策略（例如是排序还是直接呈现现有结果）。为弥合这些差距，我们引入 ToolRec—a 通过工具学习实现 LLM 赋能推荐的框架，该框架将 LLM 用作代理用户，从而引导推荐过程并调用外部工具生成与用户细腻偏好高度吻合的推荐列表。我们将推荐过程形式化为旨在探索用户属性粒度的过程。该过程考虑上下文和用户偏好的细微差异。然后，LLM 根据用户的属性指令调用外部工具并探索不同项目池的不同片段。我们考虑两种类型的属性导向工具：排序工具和检索工具。通过 LLM 的集成，ToolRec 使传统推荐系统成为具有自然语言界面的数据外部工具。广泛的实验验证了 ToolRec 的有效性，特别是在富含语义内容的场景中。
引用
@article{arxiv.2405.15114,
title = {Let Me Do It For You: Towards LLM Empowered Recommendation via Tool Learning},
author = {Yuyue Zhao and Jiancan Wu and Xiang Wang and Wei Tang and Dingxian Wang and Maarten de Rijke},
journal= {arXiv preprint arXiv:2405.15114},
year = {2024}
}