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