本文是LLM系列文章，针对《Empowering Few-Shot Recommender Systems with Large Language Models-Enhanced Representations》的翻译。
用大语言模型增强表示增强小样本推荐系统
- 摘要
- 1 引言
- 2 相关研究
- 3 表示生成
- 4 评估
- 5 结论
摘要
在过去的几年里，利用显式反馈的推荐系统已经取得了显著的进步和广泛的应用。然而，在小样本场景中生成推荐仍然是一个持续的挑战。最近，大型语言模型（LLM）已成为解决自然语言处理（NLP）任务的一种很有前途的解决方案，从而为解决基于显式反馈的推荐系统所遇到的小样本场景提供了新的见解。为了连接推荐系统和LLM，我们设计了一个提示模板，根据明确的反馈生成用户和项目表示。随后，我们将这些LLM处理的表示集成到各种推荐模型中，以评估它们在不同推荐任务中的重要性。我们的消融实验和案例分析共同证明了LLM在处理显式反馈方面的有效性，强调了具有生成和逻辑推理能力的LLM可以有效地作为推荐系统的一个组成部分，以提高其在小样本场景中的性能。此外，LLM的广泛适应性增强了推荐模型的泛化潜力，尽管存在某些固有的限制。我们预计，我们的研究可以激励研究人员更深入地研究LLM参与推荐系统的多方面问题，并有助于推进基于明确反馈的推荐系统领域。
1 引言
2 相关研究
3 表示生成
4 评估
5 结论
在这项研究中，我们进行了消融实验，以评估在各种推荐任务中利用LLM增强小样本推荐系统的有效性。尽管存在模型结构的限制，但在我们的实验小样本场景中，LLM处理的表示的加入显著提高了特定神经网络推荐模型的性能。基于实验结果，我们认为具有生成和逻辑推理能力的LLM可以作为推荐系统的一种有效的NLP方法，通过其独特的能力熟练地处理文本显式反馈，提高推荐模型的泛化潜力。接下来，我们设想将基于神经网络的额外推荐模型集成到我们的研究中。此外，我们对ChatGPT生成的文本用户和项目表示的潜在商业应用（例如，营销分析、广告生成）很感兴趣。