When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation
Renmin University of China(中国人民大学);Kuaishou Technology Co., Ltd.(快手科技有限公司)
针对搜索与推荐(S&R)用户意图差异被忽略的问题,提出SESRec框架,通过对比学习解耦S&R行为中的相似与不相似表示,并利用注意力机制提取用户兴趣,在多数据集上显著优于现有模型。
2023-05-18 cs.AI cs.IR
Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation
East China Normal University(华东师范大学);Shanghai Jiao Tong University(上海交通大学);Beijing Institute of Technology(北京理工大学);Tsinghua University(清华大学)
顺序推荐的目的是根据历史交互项目推荐目标用户将在不久的将来与之交互的项目。虽然建模时间动态对于顺序推荐至关重要,但大多数现有研究仅集中在用户侧,而忽略了对应物中存在的顺序模式,即,项目方。虽然一些研究调查的动态参与的双重方面,复杂的用户-项目的相互作用并没有充分利用从全球的角度来获得动态的用户和项目表示。在本文中,我们设计了一个新的动态表示学习模型的顺序推荐(DRL-SRe)。为了更好地建模用户-项目交互,从双方的动态特征,所提出的模型建立了一个全球用户-项目交互图的每个时间片,并利用时间片图神经网络学习用户和项目表示。此外,为了使该模型能够捕获细粒度的时间信息,我们提出了一个辅助的时间预测任务的连续时间片的时间点过程的基础上。在三个公开的真实数据集上的综合实验表明,DRL-SRe比最先进的顺序推荐模型有很大的优势。
2021-09-24 cs.AI cs.IR
SUPER-Rec: SUrrounding Position-Enhanced Representation for Recommendation
协同过滤问题通常基于矩阵补全技术来解决,该技术恢复用户-项目交互矩阵的缺失值。在矩阵中,评级位置专门代表给定的用户和评级的项目。以往的矩阵补全技术往往忽略每个元素(用户,项目和评级)在矩阵中的位置,但主要集中在用户和项目之间的语义相似性来预测矩阵中的缺失值。提出了一种新的位置增强的用户/项目表示训练模型SUPER-Rec,该模型首先利用相对位置评分编码捕获评分矩阵中的评分位置,并将位置增强的评分信息及其用户-项目关系存储到不受矩阵大小影响的固定嵌入维数中.然后,我们将经过训练的位置增强的用户和项目表示应用于最简单的传统机器学习模型,以突出我们的表示学习模型的纯粹新颖性。我们贡献的第一个正式的介绍和定量分析的位置增强项目表示在推荐领域,并产生一个原则性的讨论我们的超级Rec的典型的协同过滤推荐任务的显式和隐式反馈的出色表现。
2022-10-08 cs.AI cs.IR
Federated Vision-Language-Recommendation with Personalized Fusion
本文提出FedVLR框架,通过服务器端多视图融合与客户端用户特定的专家混合机制,实现联邦视觉语言推荐中的个性化多模态融合,在七个基准数据集上验证了有效性。
2025-11-02 cs.AI cs.IR cs.LG
JEPA4Rec: Learning Effective Language Representations for Sequential Recommendation via Joint Embedding Predictive Architecture
College of Engineering and Computer Science, VinUniversity, Vietnam(工程与计算机科学学院,Vin大学)
JEPA4Rec结合联合嵌入预测架构与项目文本语言建模,生成可泛化表示,缓解数据稀疏问题,在六个真实数据集上跨域、跨平台及低资源场景中优于现有方法。
2025-08-07 cs.AI cs.CL cs.IR
A Model-Agnostic Framework for Recommendation via Interest-aware Item Embeddings
University of Surrey(萨里大学)
针对现有物品表示难以直接反映用户兴趣的问题,本文提出模型无关的IaCN框架,通过辅助任务联合学习基于物品与面向兴趣的物品嵌入,并在多场景实验中显著提升多种推荐模型性能。
2023-08-17 cs.AI cs.IR cs.LG
End-to-End Graph-Sequential Representation Learning for Accurate Recommendations
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Artificial Intelligence Research Institute (AIRI)(人工智能研究所(AIRI))
本文提出一种端到端多表示学习框架,协同训练序列与图组件,在多个数据集上显著提升推荐性能。
2024-03-15 cs.AI cs.IR cs.LG
DySR: A Dynamic Representation Learning and Aligning based Model for Service Bundle Recommendation
Harbin Institute of Technology(哈尔滨工业大学)
服务的数量和多样性不断增加,这给需求满足过程中有效的服务重用带来了巨大的挑战。服务捆绑推荐的研究已经有很多,并取得了显著的成果。然而,这些方法的性能仍有很大的改进空间。这些研究的根本问题在于,它们忽略了服务随时间的演变以及服务和需求之间的表示差距。在本文中,我们提出了一个动态的表示学习和对齐为基础的模型称为DySR来解决这些问题。DySR通过学习转换函数消除服务和需求之间的表示差距,并通过动态图表示学习获得不断发展的社会环境中的服务表示。在ProgrammableWeb的真实数据集上进行的大量实验表明,DySR在常用的评估指标方面优于现有的最先进的方法,将$F1@5$从$36.1\%$改进为$69.3\%$。
2021-08-07 cs.AI
How Good Are Large Language Models for Course Recommendation in MOOCs?
Kyushu University(九州大学);Florida International University(佛罗里达国际大学)
本文研究将大型语言模型用于MOOC课程推荐,通过提示和微调等多种方法与传统模型对比,实验证明LLMs在准确性、多样性和新颖性上表现良好,展示了其在教育推荐中的潜力。
2025-04-11 cs.AI cs.IR
Enhanced Recommendation Combining Collaborative Filtering and Large Language Models
University of California, Irvine(加州大学欧文分校);Brown University(布朗大学);Southwest Jiaotong University(西南交通大学)
本文提出融合协同过滤与大语言模型的增强推荐方法,利用LLMs增强文本理解以缓解冷启动和数据稀疏问题,实验证明其能显著提升推荐准确性与多样性。
2024-12-25 cs.AI cs.IR
Personalized Recommendation Tool Learning via Autonomous Language Agents
Microsoft(微软公司)
研究针对基于大语言模型的智能体在推荐系统中的局限性,提出PRTA框架,让LLM作中央规划器与多推荐模型交互,负责高级推理和个性化工具选择,传统模型进行全排序评分,设计反射机制,实验表明该框架提升了全排序推荐性能。
2026-07-23 cs.AI cs.IR
GR-LLMs: Recent Advances in Generative Recommendation Based on Large Language Models
AMAP, Alibaba Group(阿里云实验室,阿里巴巴集团)
本文综述了基于大语言模型的生成式推荐(GR)的最新进展,涵盖其预备知识、应用案例、工业场景考量及未来方向,旨在推动该领域研究。
2025-07-14 cs.AI cs.IR
Bias in Knowledge Graphs -- an Empirical Study with Movie Recommendation and Different Language Editions of DBpedia
University of Mannheim(曼海姆大学)
公共知识图谱,如DBpedia和Wikidata已被认为是有趣的背景知识的来源,以建立基于内容的推荐系统。它们可用于添加有关要推荐的项目的信息以及这些项目之间的链接。虽然已经提出了相当多的方法来利用知识图谱,他们中的大多数旨在优化推荐策略,同时使用一个固定的知识图谱。在本文中,我们采用不同的方法,即,当使用不同的底层知识图谱时,我们修正推荐策略并观察变化。特别是,我们使用不同语言版本的DBpedia。我们发现,使用不同的知识图谱不仅会导致不同的偏见推荐系统,但也推荐系统的性能不同的特定领域的建议。
2021-05-03 cs.AI cs.IR
ULTRA:Urdu Language Transformer-based Recommendation Architecture
Department of Computer and Information Sciences, PIEAS, Nilore, Islamabad 45650, Pakistan(计算机与信息科学系,PIEAS,Nilore,Islamabad 45650,巴基斯坦)
ULTRA通过自适应语义推荐框架提升乌尔都语个性化新闻检索的准确性和相关性。
2026-02-25 cs.AI cs.IR
Enhance Large Language Models as Recommendation Systems with Collaborative Filtering
本研究提出Critic-LLM-RS,通过训练独立的Critic模型实现协同过滤,为非微调LLM推荐系统提供评论以优化推荐,实验验证其有效性。
2025-10-17 cs.AI cs.IR
Learn by Selling: Equipping Large Language Models with Product Knowledge for Context-Driven Recommendations
Ingka Group(英卡集团)
本文提出通过训练LLMs响应包含产品ID的合成搜索查询来装备产品知识,并系统分析了该方法在上下文驱动推荐中的有效性、优势与局限。
2024-07-30 cs.AI cs.IR
Enhancing ID-based Recommendation with Large Language Models
Tsinghua University(清华大学);Meituan(美团);Hefei University of Technology(合肥工业大学)
针对基于ID的推荐中缺乏文本数据的问题,提出LLM4IDRec方法,利用大型语言模型仅增强ID数据以提升推荐性能,在三个数据集上验证了其有效性。
2024-11-04 cs.AI cs.IR
A Survey on Large Language Models for Personalized and Explainable Recommendations
本综述分析了推荐系统如何利用大语言模型提升个性化和可解释推荐,并探讨了个性化解释生成任务中的冷启动、不公平与偏见等主要挑战。
2023-11-21 cs.AI cs.IR
Data Imputation using Large Language Model to Accelerate Recommendation System
Columbia University(哥伦比亚大学);Georgia Institute of Technology(佐治亚理工学院);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Pace University(佩斯大学)
本文提出微调大语言模型用于推荐系统缺失数据填补,并在单分类、多分类和回归任务上验证其优于传统填补方法,从而提升推荐准确性与用户体验。
2024-08-07 cs.AI cs.IR
RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation
University of Alberta(阿尔伯塔大学);Tencent(腾讯);Sun Yat-sen University(中山大学)
跨领域推荐可以帮助缓解传统顺序推荐系统中的数据稀疏问题。在本文中,我们提出了RecGURU算法框架生成一个广义用户表示(GUR),将用户信息跨域的顺序推荐,即使有最小或没有共同的用户在两个域。我们提出了一个自我关注的自动编码器,以获得潜在的用户表示,和一个域编码器,其目的是预测生成的潜在表示的起源域。我们提出了一种新的对抗学习方法来训练这两个模块,以统一从不同的域生成的用户嵌入到一个单一的全球GUR为每个用户。所学习的GUR捕获用户的总体偏好和特征,并且因此可以用于增强行为数据并且改进用户所涉及的任何单个域中的推荐。在两个公开的跨域推荐数据集和一个从实际应用中收集的大型数据集上进行了大量的实验。结果表明,RecGURU提高了性能,优于各种最先进的顺序推荐和跨域推荐方法。收集到的数据将被公布,以方便未来的研究。
2021-11-19 cs.AI cs.IR
Large Language Models as Zero-Shot Conversational Recommenders
University of California, San Diego(加州大学圣地亚哥分校);Netflix Inc.(奈飞公司);Cornell University(康奈尔大学)
本研究构建了目前最大的公开真实世界对话推荐数据集,实证发现零样本大语言模型在对话推荐任务上性能超越现有微调模型,并通过分析探究了其表现优异的机制,为未来对话推荐系统设计提供方向。
2023-08-19 cs.AI cs.IR
LARR: Large Language Model Aided Real-time Scene Recommendation with Semantic Understanding
Meituan(美团)
针对传统推荐系统缺乏实时场景语义理解及LLM处理长文本效率低的问题,提出LARR框架,通过注入领域知识并利用聚合编码器整合LLM输出,高效提升基于LLM的CTR建模与推荐性能。
2024-08-21 cs.AI cs.IR
From Logs to Language: Learning Optimal Verbalization for LLM-Based Recommendation at Industry Scale
University of Georgia(佐治亚大学);Netflix;Capital One;Hong Kong Polytechnic University(香港理工大学)
本文提出了一种数据驱动框架,通过强化学习学习最优 verbalization 方法,提升基于LLM的推荐系统表现,实验显示在Netflix数据集上推荐准确率提升达93%。
2026-03-19 cs.AI cs.IR
A Survey on Large Language Models for Recommendation
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(中国科学技术大学认知智能国家重点实验室);Career Science Lab, BOSS Zhipin(BOSS直聘职业科学实验室)
该综述将基于大语言模型的推荐系统划分为判别式和生成式两大范式(首次系统梳理生成式范式),系统分析各范式下的方法技术与性能,指出关键挑战并提供启发,同时搭建了相关论文索引仓库。
2024-06-18 cs.AI cs.IR
LaSER: Language-Specific Event Recommendation
L3S Research Center(L3S研究中心);Leibniz Universität Hannover(汉诺威莱布尼茨大学);University of Bonn(波恩大学)
虽然社会事件经常影响世界各地的人们,但很大一部分事件的焦点主要是影响特定语言社区的地方焦点。例子包括全国选举、不同国家的冠状病毒大流行的发展,以及当地的电影节,如法国的塞萨尔奖和俄罗斯的莫斯科国际电影节。然而,现有的实体推荐方法没有充分解决推荐的语言环境。本文介绍了一种新的任务,特定语言的事件推荐,其目的是推荐相关的用户查询在特定语言的上下文事件。此任务可以支持基本的信息检索活动,包括Web导航和探索性搜索,考虑到用户信息需求的语言环境。我们提出了激光,一种新的方法对特定语言的事件推荐。Laser在学习排序模型中融合了实体和事件的语言特定潜在表示(嵌入)以及时空事件特征。这个模型是在公开的维基百科点击流数据上训练的。我们的用户研究结果表明,在MAP@5中,关于推荐事件的特定语言相关性,Laser的性能超过最先进的推荐基线高达33个百分点。
2023-02-24 cs.AI cs.CL cs.IR
RecMind: Large Language Model Powered Agent For Recommendation
School of Computing and Augmented Intelligence, Arizona State University(亚利桑那州立大学计算与增强智能学院);Amazon Alexa AI(亚马逊Alexa人工智能)
提出基于大语言模型的自主推荐智能体RecMind,通过Self-Inspiring算法提升规划能力,在零样本个性化推荐任务中超越现有基线并媲美全训练模型P5。
2024-03-20 cs.AI cs.IR
MRP-LLM: Multitask Reflective Large Language Models for Privacy-Preserving Next POI Recommendation
Nanyang Technological University(南洋理工大学);Singapore University of Technology and Design(新加坡科技设计大学);Zhejiang University(浙江大学);Chengdu University of Information Technology(成都信息工程大学)
针对现有LLM下一个POI推荐方法存在的偏好提取差、协同信号不足及缺隐私保护的问题,提出MRP-LLM模型,通过多任务反思偏好提取、邻居偏好检索、多任务推荐及隐私传输模块,在三个真实数据集上实现了更准确且带隐私保护的下一个POI推荐。
2024-12-03 cs.AI cs.IR
Learning Structure and Knowledge Aware Representation with Large Language Models for Concept Recommendation
Shanghai Jiao Tong University(上海交通大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对概念推荐中人类知识体系融入不足及LLM文本编码适配难的问题,提出SKarREC框架,结合LLM知识与知识图谱关系构建概念表示,通过基于图的对比学习适配器实现适配,实验验证其有效性。
2024-05-21 cs.AI cs.IR
Knowledge Graph Enhanced Language Agents for Recommendation
University of Notre Dame(圣母大学);Amazon(亚马逊公司)
针对语言智能体模拟推荐时缺乏用户与物品关系理解的问题,提出KGLA框架,通过将知识图谱路径作为自然语言描述融入模拟,显著提升了推荐性能。
2025-01-24 cs.AI cs.IR cs.MA
ExplainRec: Towards Explainable Multi-Modal Zero-Shot Recommendation with Preference Attribution and Large Language Models
Department of Software \& Microelectronics Peking University Beijing, China;Department of Software \& Microelectronics Peking University Beijing, China hangli\;Department of Software \& Microelectronics Peking University Beijing, China zehua\;Department of Software \& Microelectronics Peking University Beijing, China xiaofan\;Economic Law School China University of Political Science;School of Computer Science Peking University Beijing, China
针对现有LLM推荐方法可解释性不足、冷启动效果差的问题,本文提出ExplainRec框架,融合偏好归因、多模态增强等技术,在公开数据集上取得更优推荐效果,可生成解释并适配冷启动场景。
2025-10-03 cs.AI cs.IR
ITDR: An Instruction Tuning Dataset for Enhancing Large Language Models in Recommendations
Beijing Jiaotong University School of Computer Science;Technology Beijing Key Laboratory of Traffic Data Mining;Embodied Intelligence Key Laboratory of Big Data \& Artificial Intelligence in Transportation, Ministry of Education Beijing China;Beijing Jiaotong University
ITDR数据集通过七个子任务提升推荐系统中大语言模型的性能,包含20万实例,适用于多种开源和闭源模型。
2025-12-30 cs.AI cs.IR
Bidirectional Knowledge Distillation for Enhancing Sequential Recommendation with Large Language Models
Microsoft Research Asia(微软亚洲研究院);Fudan University(复旦大学)
提出LLMD4Rec双向蒸馏框架,通过动态交互知识交换增强序列推荐,无需额外参数且不增推理成本,显著提升推荐准确性。
2025-05-23 cs.AI cs.IR
VLM2Rec: Resolving Modality Collapse in Vision-Language Models for Sequential Recommendation
Pohang University of Science
本文提出VLM2Rec框架,通过弱模态惩罚对比学习和跨模态关系拓扑正则化,解决多模态序列推荐中模态崩溃问题,提升推荐准确性和鲁棒性。
2026-11-03 cs.AI cs.IR
URIR: Recommendation algorithm of user RNN encoder and item encoder based on knowledge graph
Yunnan University(云南大学);Yunnan Power Grid Co., Ltd(云南电网有限责任公司);Shantou University(汕头大学);Kunming University of Science and Technology(昆明理工大学)
由于信息量大,用户很难在众多的选择中找到自己感兴趣的内容。为了提高用户体验,推荐系统已经广泛应用于音乐推荐、电影推荐、在线购物等场景。近年来,知识图谱(KG)被证明是提高推荐系统性能的有效工具。然而,将知识图谱应用于推荐的一个巨大挑战是如何利用知识图谱获得更好的用户代码和项目代码。针对这一问题,本研究提出了一种基于知识图谱的用户递归神经网络编码器和项目编码器推荐算法。通过获取项目的高层邻居信息对项目进行编码,生成项目的表示向量,并利用RNN和项目的表示向量对用户进行编码,生成用户的表示向量,然后对用户的表示向量和项目的表示向量进行内积运算,得到用户与项目交互的概率。在三个真实数据集上的数值实验表明,URIR在AUC、精度、召回率和MRR等指标上优于现有算法。这意味着URIR可以有效地利用知识图谱来获得更好的用户代码和项目代码,从而获得更好的推荐结果。
2021-11-01 cs.AI cs.IR
Disentangled Representation for Diversified Recommendations
Bytedance Inc.(字节跳动公司);University of Virginia(弗吉尼亚大学)
长期以来,准确性和多样性一直被认为是推荐的两个相互冲突的目标。然而,我们指出,由于多样性通常是通过某些预先选择的项目属性来衡量的,例如,类别作为最普遍采用的一种,只要多样化尊重用户对预选属性的偏好,就可以在不牺牲推荐准确性的情况下实现改进的多样性。这就需要对用户对物品的偏好进行细粒度的理解,其中需要认识到用户的选择是由物品本身的质量或物品的预选属性驱动的。在这项工作中,我们专注于项目类别定义的多样性。我们提出了一个一般的多样化框架不可知的推荐算法的选择。我们的解决方案将推荐模块中的学习用户表示分解为独立于类别和依赖于类别的组件,以区分用户对两个正交角度的项目的偏好。在三个基准数据集和在线A/B测试上的实验结果表明,该方法在提高推荐准确率和多样性方面是有效的。深入分析表明,这种改进是由于我们改进了用户分类偏好的建模和项目类别内的精细排名。
2023-01-13 cs.AI cs.IR
Harnessing Multimodal Large Language Models for Multimodal Sequential Recommendation
Rutgers University(罗格斯大学);University of Science and Technology of China(中国科学技术大学);University of Pennsylvania(宾夕法尼亚大学);Bytedance Inc.(字节跳动公司);Georgia Institute of Technology(佐治亚理工学院);University of Pittsburgh(匹兹堡大学);The Hong Kong University of Science and Technology(香港科技大学)
针对现有基于LLM的推荐范式难以适配多模态推荐的问题,提出MLLM-MSR模型,通过两阶段偏好摘要方法结合SFT微调MLLM推荐器,有效提升多模态序列推荐效果。
2025-01-13 cs.AI cs.IR
Lessons from A Large Language Model-based Outdoor Trail Recommendation Chatbot with Retrieval Augmented Generation
University of Connecticut(康涅狄格大学);School of Computing(计算学院)
本文介绍了基于LLM与RAG技术开发的户外步道推荐聊天机器人Judy,通过美国康涅狄格州步道案例研究,验证了其在提供准确、高效且可用的个性化步道推荐方面的有效性。
2025-07-27 cs.AI cs.IR
E4SRec: An Elegant Effective Efficient Extensible Solution of Large Language Models for Sequential Recommendation
Tsinghua Univerisity(清华大学);Huawei Cloud BU(华为云事业部);City Univerisity of Hong Kong(香港城市大学)
针对LLM难以建模推荐ID且自然语言生成方案低效、易越界的问题,本文提出E4SRec,以ID序列输入并一次前向生成候选内完整排序,仅训练少量可插拔参数。
2023-12-05 cs.AI cs.IR
Empowering News Recommendation with Pre-trained Language Models
个性化新闻推荐是在线新闻服务的一项重要技术。新闻文章通常包含丰富的文本内容,准确的新闻建模对于个性化新闻推荐非常重要。现有的新闻推荐方法主要基于传统的文本建模方法对新闻文本进行建模,这对于挖掘新闻文本中的深层语义信息并不是最优的。预训练的语言模型(PLM)对于自然语言理解是强大的,这具有更好的新闻建模的潜力。然而,目前还没有公开的报道表明PLM已经应用于新闻推荐。在本文中,我们报告了我们的工作,利用预先训练的语言模型,使新闻推荐。在单语言和多语言新闻推荐数据集上的离线实验结果表明,利用PLM进行新闻建模可以有效地提高新闻推荐的性能。我们基于PLM的新闻推荐模型已部署到Microsoft News平台,并在英语和全球市场的点击量和页面浏览量方面取得了显著增长。
2021-04-15 cs.IR
Multimodal Quantitative Language for Generative Recommendation
Sun Yat-sen University(中山大学);Pengcheng Laboratory(鹏城实验室);Xiamen University(厦门大学);Peking University(北京大学)
本文提出MQL4GRec方法,通过将多领域多模态物品统一转换为共享词汇的量化语言,并借助预训练与微调实现推荐知识迁移,在三个数据集上显著提升生成式推荐性能。
2025-02-20 cs.AI cs.CL cs.IR
Exploring How Fair Model Representations Relate to Fair Recommendations
Norwegian University of Science and Technology(挪威科学与技术大学)
本文探讨了公平模型表示与公平推荐之间的关系,提出两种新方法衡量推荐中公平性,并通过实验表明优化公平表示能提升推荐公平性,但表示层面评估不适用于模型比较。
2026-03-25 cs.AI cs.IR cs.LG
PAP-REC: Personalized Automatic Prompt for Recommendation Language Model
Rutgers University(罗格斯大学)
针对推荐语言模型手工设计提示成本高、效果不稳定的问题,提出PAP-REC个性化自动提示框架,通过基于梯度的方法、替代指标和交替更新策略生成用户专属提示,性能优于人工提示及多种基线模型。
2024-02-01 cs.AI cs.IR cs.LG
Large Language Models for Generative Recommendation: A Survey and Visionary Discussions
Hong Kong Baptist University(香港浸会大学);Rutgers University(罗格斯大学);Guangdong Laboratory of Artificial Intelligence and Digital Economy(广东省人工智能与数字经济实验室)
本综述探讨了基于大型语言模型的生成式推荐,指出其能将传统多阶段推荐简化为直接生成,并系统总结了该领域的进展、方法与未来方向。
2024-03-23 cs.AI cs.CL cs.IR
LlamaRec: Two-Stage Recommendation using Large Language Models for Ranking
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);NVIDIA(英伟达)
针对现有大语言模型推荐方法依赖预训练知识、推理速度慢难以适配实时场景的问题,提出两阶段推荐框架LlamaRec,结合小规模序列检索与verbalizer式LLM排序,在基准数据集上实现推荐效果与效率的双重提升。
2023-10-25 cs.AI cs.CL cs.IR
Generate Natural Language Explanations for Recommendation
Rutgers University(罗格斯大学);Tsinghua University(清华大学)
为推荐提供个性化的解释可以帮助用户理解推荐结果的潜在洞察力,这有助于提高推荐系统的有效性、透明度、说服力和可信度。目前的可解释推荐模型大多基于预定义的句子模板生成文本解释。然而,基于模板的解释语句的表达能力仅限于预定义的表达式,并且手动定义表达式需要大量的人工努力。出于这个问题,我们建议生成自由文本自然语言解释的个性化推荐。特别是,我们提出了一个层次化的序列到序列模型(HSS)的个性化解释生成。与传统的自然语言处理研究中的句子生成不同,电子商务推荐中的解释生成面临的一个巨大挑战是用户评论中的句子并非都是解释性的。为了解决这个问题,我们进一步提出了一个自动去噪机制的基础上,主题项目的特征词的句子生成。在多个电子商务产品领域的实验表明,该方法不仅可以提高推荐准确率,而且在离线度量和特征词覆盖率方面也提高了解释质量。这项研究是授予智能代理基于自然语言句子解释自己的能力的初步步骤之一。
2021-01-09 cs.AI cs.CL cs.IR
Pre-trained Language Model and Knowledge Distillation for Lightweight Sequential Recommendation
University of Science and Technology of China(中国科学技术大学)
针对预训练语言模型在实时推荐中推理慢的问题,提出基于知识蒸馏的两阶段序列推荐算法,将预训练知识迁移至轻量级模型,在提升准确率的同时实现及时推荐。
2024-09-23 cs.IR cs.LG
Recommendation as Language Processing (RLP): A Unified Pretrain, Personalized Prompt & Predict Paradigm (P5)
Rutgers University(罗格斯大学)
长期以来,不同的推荐任务通常需要设计特定于任务的架构和培训目标。因此,很难将学习到的知识和表示从一个任务转移到另一个任务,从而限制了现有推荐方法的泛化能力,例如,顺序推荐模型几乎不能应用或转移到评论生成方法。为了解决这些问题,考虑到语言可以描述几乎任何事物,语言基础是表示各种问题或任务的强大媒介,我们提出了一种灵活统一的文本到文本推荐范式,称为“预训练、个性化提示和预测范式”(P5),它将各种推荐任务统一在一个共享的框架中。在P5中,所有数据(如用户-项目交互、用户描述、项目元数据和用户评论)都被转换为通用格式--自然语言序列。来自自然语言的丰富信息帮助P5捕获更深层次的语义以用于个性化和推荐。具体来说,P5在预训练期间学习具有相同语言建模目标的不同任务。因此,它作为各种下游推荐任务的基础模型,允许与其他模态轻松集成,并支持基于提示的基于提示的推荐。P5将推荐系统从浅模型、深模型、大模型推向了新的高度,并将使推荐系统的技术形态发生革命性的变化,朝着通用推荐引擎的方向发展。通过针对不同用户的自适应个性化提示,P5能够以zero-shot或Few-Shot的方式进行预测,并大大减少了大量微调的必要性。在几个推荐基准上,我们进行了实验,以显示P5的有效性。我们在https://github.com/jeykigung/P5上发布源代码。
2023-01-02 cs.AI cs.CL cs.IR
Fine-grained Alignment of Large Language Models for General Medication Recommendation without Overprescription
针对大语言模型在药物推荐中精度不足、过度处方的问题,提出语言辅助药物推荐框架以药物感知方式微调模型,提升临床病历利用率,在内部验证中性能超现有方法10%以上,且具备良好泛化性和分布外药物处理能力。
2025-08-03 cs.IR
Towards a Unified Paradigm: Integrating Recommendation Systems as a New Language in Large Models
Microsoft(微软公司)
本文提出RSLLM框架,将序列推荐视为新语言,结合传统推荐器ID嵌入与文本特征,通过两阶段微调将行为知识融入LLM,实验证明其有效性。
2024-12-22 cs.AI cs.CL cs.IR
Evaluating Large Language Models as Generative User Simulators for Conversational Recommendation
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出一种包含五项任务的评估协议,用于衡量大型语言模型在对话式推荐中模拟人类行为的准确度,揭示其与人类行为的偏差,并探索通过模型选择和提示策略减少偏差的方法。
2024-03-25 cs.AI cs.CL cs.IR
GenRec: Large Language Model for Generative Recommendation
Rutgers University(罗格斯大学)
本文提出生成式推荐大语言模型 GenRec,通过提示构建与微调 LLaMA 直接生成目标推荐物品,实验表明其在大型数据集上显著优于传统判别式推荐方法。
2023-07-04 cs.AI cs.CL cs.IR
LLM-Rec: Personalized Recommendation via Prompting Large Language Models
University of Rochester(罗切斯特大学);UCLA(加利福尼亚大学洛杉矶分校);Meta AI
本文提出LLM-Rec方法,通过四种文本增强提示策略利用大语言模型改进个性化文本推荐,实验表明即使简单MLP模型也能取得与复杂方法相当或更优的效果。
2024-04-02 cs.AI cs.CL cs.IR
Specializing Joint Representations for the task of Product Recommendation
我们提出了一个统一的产品嵌入式表示,是优化的检索为基础的产品推荐的任务。为此,我们引入了一种新的方式来融合特定于模态的产品嵌入到一个联合产品嵌入,以利用产品内容信息,如文本描述和图像,以及产品协同过滤信号。通过在我们的架构的最后引入融合步骤,我们能够单独训练每种模态,使我们能够保持一个模块化架构,这在现实世界的推荐部署中是最好的。我们分析了我们在正常和硬推荐设置上的性能,例如冷启动和跨类别推荐,并在大型产品购物数据集上实现了良好的性能。
2017-07-18 cs.IR
Natural Language Processing via LDA Topic Model in Recommendation Systems
今天,互联网是世界上最广泛的媒体之一。推荐系统越来越多地被用于各种应用中,例如电影推荐、移动推荐、文章推荐等。协同过滤(CF)和基于内容的(CB)是用于构建推荐系统的公知技术。基于LDA的主题建模是一种有效的语义挖掘和主题抽取技术。在过去的几年中,已经发表了许多基于LDA技术构建推荐系统的文章。在本文中,我们提出了基于LDA的推荐系统和应用的分类。此外,我们利用LDA和吉布斯抽样算法来评估ISWC和WWW会议出版物在计算机科学。我们的研究表明,基于LDA的推荐系统可以有效地建立在线社区的智能推荐系统。
2019-09-20 cs.CL cs.IR