大语言模型(LLM)时代的推荐系统
信息检索
2025-01-22 v6 人工智能
计算与语言
摘要
随着电子商务和Web应用的繁荣，推荐系统(RecSys)已成为我们日常生活的重要组成部分，提供迎合用户偏好的个性化建议。尽管深度神经网络(DNN)通过建模用户-物品交互和融入文本侧信息，在增强推荐系统方面取得了显著进展，但基于DNN的方法仍面临局限，例如难以理解用户兴趣与捕捉文本侧信息、无法泛化到各类推荐场景以及对预测进行推理等。与此同时，大语言模型(LLM)（如ChatGPT和GPT4）的出现，因其在语言理解与生成基本任务上的卓越能力以及令人印象深刻的泛化与推理能力，革命性地改变了自然语言处理(NLP)与人工智能(AI)领域。因此，近期研究尝试利用LLM的力量来增强推荐系统。鉴于该推荐系统研究方向的高速演进，迫切需要对现有LLM赋能的推荐系统进行系统梳理，以助相关领域研究者深入理解。为此，本文从预训练、微调与提示三个角度对LLM赋能的推荐系统进行全面综述。更具体地，我们首先介绍利用LLM（作为特征编码器）学习用户与物品表征的代表性方法；随后从预训练、微调与提示三种范式回顾近期增强推荐系统的LLM技术；最后全面讨论这一新兴领域的未来方向。
引用
@article{arxiv.2307.02046,
title = {Recommender Systems in the Era of Large Language Models (LLMs)},
author = {Zihuai Zhao and Wenqi Fan and Jiatong Li and Yunqing Liu and Xiaowei Mei and Yiqi Wang and Zhen Wen and Fei Wang and Xiangyu Zhao and Jiliang Tang and Qing Li},
journal= {arXiv preprint arXiv:2307.02046},
year = {2025}
}
备注
Accepted by IEEE TKDE