揭示大型语言模型的跨域推荐能力
信息检索
2025-03-12 v1
摘要
跨域推荐（CDR）旨在通过从高资源域迁移知识来增强低资源域中的物品检索。尽管大型语言模型（LLM）在推荐系统（RS）中的最新进展展示了其潜力，但它们有效迁移领域知识以改善推荐的能力仍未被充分探索。为弥补这一差距，我们提出了 LLM4CDR，一种新型的 CDR 流水线，它通过利用源域中用户的购买历史序列以及源域和目标域之间的共享特征来构建上下文感知的提示。通过广泛的实验，我们表明 LLM4CDR 取得了强劲的性能，特别是在使用参数规模较大的 LLM 以及源域和目标域之间领域差距较小时。例如，将 CD 和 Vinyl 购买历史纳入电影和电视推荐中，可使 MAP@1 提高 64.28%。我们进一步研究了影响 LLM4CDR 在 CDR 任务中有效性的关键因素，包括源域数据、领域差距、提示设计和 LLM 规模。我们的结果表明，LLM4CDR 在利用单个密切相关源域时表现出色，并从更大的 LLM 中获益显著。这些见解为未来基于 LLM 的跨域推荐研究铺平了道路。
引用
@article{arxiv.2503.07761,
title = {Uncovering Cross-Domain Recommendation Ability of Large Language Models},
author = {Xinyi Liu and Ruijie Wang and Dachun Sun and Dilek Hakkani-Tur and Tarek Abdelzaher},
journal= {arXiv preprint arXiv:2503.07761},
year = {2025}
}