LLM-KERec:利用大语言模型打破推荐系统的壁垒

2024年7月24日修改
作者:北方的郎
推荐系统在电商网站和在线平台中发挥着重要作用,它可以帮助用户快速找到他们感兴趣的商品。然而,现有的推荐系统主要依赖于历史数据和用户反馈,这使得它们在捕捉用户意图变化方面存在困难。最近,知识图谱(KB)模型被提出,试图通过整合专家知识来改进推荐效果,但这种模型难以适应不断涌现的新商品和电商环境的变迁。为了解决这些问题,来自蚂蚁集团的研究者发布了《Breaking the Barrier: Utilizing Large Language Models for Industrial Recommendation Systems through an Inferential Knowledge Graph》,提出了一种新的基于大语言模型的互补知识增强推荐系统(LLM-KERec)。
附件不支持打印

加载失败,

引言
推荐系统(Recommendation System, RS)在在线服务平台如亚马逊和淘宝等上被广泛使用,作为缓解信息过载的有效工具。RS的主要目标是通过用户过去的行为推断用户的偏好,并推荐与他们兴趣最匹配的物品。现有的推荐系统主要基于历史曝光和点击日志进行训练。RS包括以下子任务:
基于用户曝光或点击反馈推荐替代品
基于用户转换反馈推荐互补品
进行流量探索或业务干预,以探索用户的潜在兴趣
尽管深度点击率预测模型如DNN、Wide&Deep等在RS中取得了显著改进,但作者认为它们仍存在以下两大局限:
过度依赖曝光样本和用户反馈,限制了RS在冷启动场景中的表现,难以应对新物品的不断涌现
用户交互样本稀疏,现有CTR模型更擅长推荐替代品而不是互补品
专家手工互补规则或知识图谱模型虽有助于推荐互补品,但受效率和成本挑战的影响,在快速变化的电商环境下难以持续。因此,在RS中,结合高效的知识和具有人类推理和逻辑的大语言模型以改进RS表现是至关重要的。然而,由于大语言模型部署难度大、推理时间长,在RS中只被用作文本嵌入的工具,难以充分利用其强大的推理能力。