推荐即语言处理 (RLP)：统一的预训练、个性化提示与预测范式 (P5)

长期以来，不同的推荐任务通常需要设计特定于任务的架构和训练目标。因此，很难将学到的知识和表征从一个任务迁移到另一个任务，从而限制了现有推荐方法的泛化能力，例如，一个序列推荐模型很难被应用或迁移到评论生成方法中。为了解决这些问题，考虑到语言几乎可以描述任何事物，并且语言基础是表示各种问题或任务的强大媒介，我们提出了一种灵活且统一的文本到文本范式，称为“预训练、个性化提示与预测范式”(P5)，用于推荐，它将各种推荐任务统一在一个共享框架中。在 P5 中，所有数据，如用户-物品交互、用户描述、物品元数据和用户评论，都被转换为一种通用格式——自然语言序列。来自自然语言的丰富信息有助于 P5 捕捉更深层次的语义，以实现个性化和推荐。具体来说，P5 在预训练期间使用相同的语言建模目标来学习不同的任务。因此，它可以作为各种下游推荐任务的基础模型，允许与其他模态轻松集成，并支持基于提示的指令式推荐。P5 将推荐系统从浅层模型推进到深层模型再到大模型，并将彻底改变推荐系统的技术形态，使其走向通用推荐引擎。通过为不同用户提供自适应个性化提示，P5 能够以零样本或少样本的方式进行预测，并大大减少了对大量微调的需求。我们在多个推荐基准上进行了实验，以展示 P5 的有效性。我们在 https://github.com/jeykigung/P5 发布了源代码。