1、动机
推荐系统被应用于推荐服务,提高人们的生活质量,但仍存在一些问题。缺少交互性、可解释性,缺乏反馈机制,以及冷启动和跨域推荐。
Chat-Rec 将用户画像和历史交互转换为 Prompt,有效地学习用户的偏好,不需要训练,完全依赖于上下文学习,有效推理出用户和产品之间之间的联系。
产品之间用户偏好相关联,允许更好的跨域产品推荐。
2、具体框架
用户与物品的历史交互、用户档案、用户查询和对话历史作为输入,并与推荐系统R接口。如果任务被确定为推荐任务,该模块使用 R 来生成一个候选项目集。
传统的推荐系统经过排序产生一个产品候选集,llm根据对候选集中的产品进一步的排序,给出最终更小、更相关的物品集。
chat-rec推荐案例,截图2,左图是引入了用户信息的chat-rec系统,能够根据用户的行为给出相应的推荐理由,右图则没有
3、冷启问题
新产品缺少用户交互,预先用互联网上的信息进行训练的 LLMs 实际上可以作为多视角的知识库,通过llm获取新产品的嵌入表征并存储,提高新产品的展示机会,提供用户更好的展示。
4、跨域推荐
预先用互联网上的信息进行训练的 LLMs 实际上可以作为多视角的知识库,不同产品会有一些共性,llm可以通过对某一产品的喜好,推演到其他产品的上面。
5、实验
数据集是 MovieLens 100K,随机筛选了 200 个用户组成数据集
Chat-Rec 可以根据用户偏好进一步优化推荐系统推荐的候选集
Top-k推荐任务评估对比
zero-shot任务评估对比
不同的temperature下,随机给出候选和经过排序给出候选差异很大。先经过推荐系统排序筛选候选很重要。
6、参考文献
【1】https://arxiv.org/pdf/2303.14524.pdf
【2】Chat-REC: 当推荐系统遇上 ChatGPT, 会发生什么奇妙反应? - 知乎