多语言LLM推荐系统中的提示词：跨语言性能分析

大型语言模型(LLM)在自然语言处理任务中日益受到重视。推荐系统传统上使用协同过滤和矩阵分解等方法，以及深度学习和强化学习等先进技术。虽然语言模型已被应用于推荐系统，但当前研究主要聚焦于英语 due to its resource richness。本工作探讨了非英语提示词对推荐性能的影响。使用OpenP5开发和评估LLM-based recommendations的平台，我们将英文提示模板扩展到西班牙语和土耳其语。在三个真实世界数据集上进行评估，分别是ML1M、LastFM和Amazon-Beauty，结果显示使用非英语提示词通常会降低性能，尤其是在资源较少的语言如土耳其语中。我们还用多语言提示重新训练了LLM-based recommender模型，以分析性能差异。用多语言提示重新训练后，模型在不同语言上的表现更平衡，但英语性能略有下降。本工作凸显了在LLM-based recommenders中需要多样化语言支持的重要性，并建议未来的研究在创建评估数据集、使用新模型和更多语言方面发展。