基于 LLM 的主题引导零样图推荐
信息检索
2025-02-21 v3 计算与语言
摘要
随着大语言模型（LLMs）涌现及其多种任务能力的出现，LLMs在推荐系统（RecSys）中的应用展现出前景。然而，将LLMs部署到RecSys中面临诸多挑战，如提示长度受限、物品信息非结构化以及推荐生成受限，导致性能次优。为此，我们提出一种 novel 方法，利用主题词典（taxonomy dictionary）。该方法为对物品进行分类和组织提供了系统框架，提高了物品信息的清晰度和结构性。通过将主题词典纳入LLM提示，我们实现了高效的token利用和受控特征生成，从而获得更准确、更具上下文相关性的推荐。我们的主题引导推荐（TaxRec）方法包含两个步骤：一次性主题分类和基于LLM的推荐，实现无需领域特定微调的零样图推荐。实验结果表明，TaxRec显著优于传统零样图方法，展示了其作为个人推荐系统中LLMs的有效性。代码已公开于 https://github.com/yueqingliang1/TaxRec。
引用
@article{arxiv.2406.14043,
title = {Taxonomy-Guided Zero-Shot Recommendations with LLMs},
author = {Yueqing Liang and Liangwei Yang and Chen Wang and Xiongxiao Xu and Philip S. Yu and Kai Shu},
journal= {arXiv preprint arXiv:2406.14043},
year = {2025}
}