基于大型预训练语言模型的零样本下一物品推荐
信息检索
2023-04-07 v1 计算与语言
摘要
大型语言模型(LLMs)在各种自然语言处理(NLP)任务中取得了令人印象深刻的零样本性能,展示了其在无训练样本情况下的推理能力。尽管取得了成功,目前尚无研究探索 LLMs 在零样本设置下执行下一物品推荐的潜力。我们确定了必须解决的两个主要挑战,以使 LLMs 能有效充当推荐系统。首先,对 LLMs 而言推荐空间可能极其庞大,且 LLMs 不了解目标用户过去交互过的物品及偏好。为弥补这一差距,我们提出了一种称为零样本下一物品推荐(NIR)提示的提示策略,引导 LLMs 进行下一物品推荐。具体而言,NIR 策略涉及使用外部模块基于用户过滤或物品过滤生成候选物品。我们的策略包含一种 3 步提示,引导 GPT-3 执行捕获用户偏好、选择具代表性的已观看电影、并推荐 10 部电影的排序列表等子任务。我们在 MovieLens 100K 数据集上使用 GPT-3 评估所提方法,结果表明其实现了强劲的零样本性能,甚至优于一些在整个训练数据集上训练的强序列推荐模型。这些有前景的结果凸显了将 LLMs 用作推荐系统的丰富研究机会。代码见 https://github.com/AGI-Edgerunners/LLM-Next-Item-Rec。
引用
@article{arxiv.2304.03153,
title = {Zero-Shot Next-Item Recommendation using Large Pretrained Language Models},
author = {Lei Wang and Ee-Peng Lim},
journal= {arXiv preprint arXiv:2304.03153},
year = {2023}
}
备注
Technical Report