重索引后自适应：改进用于对话式推荐的大语言模型
信息检索
2024-05-21 v1 人工智能
计算与语言
摘要
大语言模型（LLM）正在彻底改变对话式推荐系统，它们能够熟练地索引物品内容、理解复杂的对话上下文并生成相关的物品标题。然而，控制推荐物品的分布仍然是一个挑战。由于未能捕捉目标对话式推荐平台上快速变化的数据分布（如物品流行度），这导致了次优的性能。在对话式推荐中，LLM 通过自回归生成标题（作为多个 token）来推荐物品，这使得获取并控制对所有物品的推荐变得困难。因此，我们提出了一种“重索引后自适应”（RTA）框架，该框架将多 token 的物品标题转换为 LLM 内的单个 token，然后相应地调整这些单 token 物品标题上的概率分布。RTA 框架结合了 LLM 和传统推荐系统（RecSys）的优势：像 LLM 一样理解复杂查询；同时像传统 RecSys 一样在对话式推荐中高效地控制推荐物品的分布。我们的框架在三个不同的对话式推荐数据集和两种自适应设置下均展现出更好的准确率指标。
引用
@article{arxiv.2405.12119,
title = {Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation},
author = {Zhankui He and Zhouhang Xie and Harald Steck and Dawen Liang and Rahul Jha and Nathan Kallus and Julian McAuley},
journal= {arXiv preprint arXiv:2405.12119},
year = {2024}
}