STAR：基于大语言模型的无训练推荐方法
信息检索
2025-02-21 v2 人工智能
机器学习
摘要
近期大语言模型（LLMs）的进展为推荐系统任务提供了前景的新方法。虽然当前最先进的方法依赖于对LLMs进行微调以实现最佳结果，但该过程成本高昂且引入显著的工程复杂性。相比之下，直接使用LLMs而无需额外微调的方法会导致推荐质量的显著下降，往往是由于无法捕获协同信息。本文提出了一个无训练的简单方法用于推荐（STAR），该框架可应用于各种推荐任务，而无需微调，同时保持高质量的推荐性能。我们的方法涉及一个检索阶段，该阶段使用来自LLMs的语义嵌入结合协同用户信息来检索候选项目。然后我们对LLMs进行两两排序，以增强下一项预测。在Amazon Review数据集上的实验结果表明，即使仅使用检索阶段，也能实现推荐质量的竞争水平。我们的完整方法在Beauty、Toys & Games上分别实现了相对最佳监督模型的+23.8%和+37.5%的Hits@10性能，在Sports & Outdoors上为-1.8%。该框架为传统监督模型提供了有效替代方案，凸显了大语言模型在无需大量训练或自定义体系结构的情况下在推荐系统中的潜力。
引用
@article{arxiv.2410.16458,
title = {STAR: A Simple Training-free Approach for Recommendations using Large Language Models},
author = {Dong-Ho Lee and Adam Kraft and Long Jin and Nikhil Mehta and Taibai Xu and Lichan Hong and Ed H. Chi and Xinyang Yi},
journal= {arXiv preprint arXiv:2410.16458},
year = {2025}
}