LLMTreeRec：释放大型语言模型在冷启动推荐中的力量
信息检索
2024-12-25 v3
摘要
训练数据的缺乏导致推荐系统中冷启动问题，使其难以提供有效的推荐。为了解决这一问题，大型语言模型（LLM）可将推荐任务建模为语言分析任务，基于其广泛的开放世界知识提供零样态结果。然而，项目语料库的规模对 LLM 构成挑战，导致大量 token 消耗，使其在实际推荐系统中难以部署。为解决这一挑战，我们引入了基于树结构的 LLM 推荐框架 LLMTreeRec，将所有项目结构化为项目树，以提高 LLM 项目检索的效率。LLMTreeRec 在两个广泛使用的数据集上的系统冷启动设置下实现了最先进的性能，甚至与使用大量训练数据的传统深度推荐系统相竞争。此外，LLMTreeRec 在华为工业系统的 A/B 测试中超过了基线模型。因此，LLMTreeRec 证明其作为行业友好解决方案的有效性，该解决方案已成功部署在线。我们的代码可在 https://github.com/Applied-Machine-Learning-Lab/LLMTreeRec 查看。
引用
@article{arxiv.2404.00702,
title = {LLMTreeRec: Unleashing the Power of Large Language Models for Cold-Start Recommendations},
author = {Wenlin Zhang and Chuhan Wu and Xiangyang Li and Yuhao Wang and Kuicai Dong and Yichao Wang and Xinyi Dai and Xiangyu Zhao and Huifeng Guo and Ruiming Tang},
journal= {arXiv preprint arXiv:2404.00702},
year = {2024}
}