A Survey on Large Language Models for Recommendation
发布时间
阅读量:
阅读量
本文属于LLM系列的文章,基于《A Survey on Large Language Models for Recommendation》的翻译。
大模型用于推荐的综述
- 摘要部分
- 引言部分
- 建模与分类方法
- 基于判别式的LLM在推荐系统中的应用
- 基于生成式的LLM在推荐系统中的应用
- 研究发现
- 结论部分
摘要
大型语言模型(LLM)作为自然语言处理(NLP)领域的重要工具,近年来在推荐系统(RS)领域引起了广泛关注。这些模型通过自监督学习在海量数据中进行训练,取得了在学习通用表示方面的显著成果,并通过一些有效的转移技术(如微调和提示调整)来增强推荐系统的各个方面。提高推荐质量的关键在于利用语言模型对文本特征的高质量表示以及它们对外部知识的广泛覆盖,从而建立项目与用户之间的相关性。为了全面理解基于LLM的推荐系统,本研究提出了一种分类方法,将这些模型分为两类:用于推荐的判别LLM(DLLM4Rec)和用于推荐的生成LLM(GLLM4Reg)。后者是首次被系统性地分类。此外,本研究系统回顾和分析了每种范式中的LLM推荐系统,深入探讨了其方法、技术和性能。同时,本研究还揭示了关键挑战和一些有价值的发现,为研究者和从业者提供了参考。此外,本研究还创建了一个GitHub存储库,用于为LLM相关论文建立索引,以促进推荐系统的发展。
1 引言
2 建模范式和分类
3 判别式LLM用于推荐
4 生成式LLM用于推荐
5 发现
6 结论
在本文中,我们综上所述了推荐系统的大型语言模型(LLM)的研究领域。主要将现有的研究工作分为判别模型和生成模型两大类,随后通过领域自适应的方式对它们进行了详细阐述。为了消除概念上的混淆,我们在基于LLM的推荐系统中对微调、提示、提示调整和指令微调这四者进行了具体阐述和区别说明。据我们了解,目前的综述研究是专门针对推荐系统生成LLM的系统综述和最新综述,它进一步总结了诸多相关研究的共同发现和研究难点。因此,本次综述为研究人员提供了系统性的LLM应用研究综述,并为探索潜在的研究方向提供了重要的研究资源。
全部评论 (0)
还没有任何评论哟~
