快读论文-利用大模型做富文本推荐

一、论文背景

  • 今天分享的快读文章标题是Harnessing Large Language Models for Text-Rich Sequential Recommendation
  • 大型语言模型(LLMs)在推荐系统(RS)中的应用正在改变传统推荐系统的设计。
  • 面对文本丰富的推荐场景(如电商产品描述、社交媒体新闻标题),LLMs 需要处理更长的文本以捕捉用户行为序列,这带来了一系列挑战,包括输入长度限制、计算资源消耗和性能优化问题。

二、提出方法

2.1 总体框架

在这里插入图片描述

  • 使用一个summarizer来对用户历史进行“特征提取”,形成用户偏好总结。
  • 因为summarizer的限制,使用用户历史分块方式分别进行提取。(本文提出了类似CNN、RNN结构两种方法)
  • 基于上述用户历史行为,训练LLM-based Recommder
  • 将用户偏好总结、用户历史、物品信息综合输入到LLM-based Recommender,进行推荐,输出标签为yes\ no

2.2 层次总结范式(hierarchical summarization paradigm.)

看图,比较一目了然:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.3 循环总结范式(Recurrent LLM-based User Preference Summarization)

同理看图:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.4 LLM-based Recommedation

在这里插入图片描述

  • LLM-based Recommender的训练:利用生成的用户偏好摘要,构建一个包含用户偏好摘要、近期用户交互和候选项目信息的提示文本(prompt text)。将提示文本输入到LLM-based推荐模型中,并使用监督式微调(Supervised Fine-Tuning, SFT)技术对模型进行微调,使其能够输出“是”或“否”来表示用户对候选项目的兴趣。
  • 参数高效微调(PEFT):为了减少内存开销并加快训练过程,使用基于低秩适应(Low-Rank Adaptation, LoRA)的参数高效微调方法,Loss使用交叉熵。

三、实验指标

对比不同算法效果

在这里插入图片描述
在这里插入图片描述

  • 论文使用amazon、mind两个数据集进行实验,使用 Recall@K 和 Mean Reciprocal Rank (MRR)@K 作为评价指标,其中 K 可以是 3、5 和 10,可以看到本文的方法在实验数据集上的提升。
  • Figure 9 表示太多历史行为反而导致模型效果的下降,可能跟大模型容量有关?Figure 10、11展示了不用模型参数在数据上的效果。

四、论文地址

五、疑问

既然可以使用cnn、rnn接口来提取用户历史,后续能否用模拟attention的方法来提取用户历史特征?

  • 19
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Namespace(命名空间)是一种在编程中用来区分各种不同命名元素的机制。它可以将不同的程序元素(变量、函数、类等)进行分组,使得它们在同一个命名空间下能够互相区分。在不同的命名空间中,可以定义具有相同名称的元素,而不会产生冲突。 namespace可以理解为速了解命名空间的意思。在当前广泛使用的编程语言中,命名空间是一种非常常见的概念,如C++中的命名空间、Python中的模块和包、Java中的包等。通过速了解命名空间,我们可以更好地进行模块化的开发,避免命名冲突,提升代码的可性、可维护性和可重用性。 了解命名空间的重要性在于,它可以分隔不同模块之间的代码,使得每个模块可以独立开发和测试。在大型项目中,各个模块的开发往往由不同的开发人员负责,通过使用命名空间,可以避免不同模块中的命名冲突,同时也方便了代码的组织和管理。 在编程中,通过使用命名空间,我们可以更好地控制程序的作用域,避免全局变量的滥用。命名空间可以使得变量和函数的作用范围被限制在一个特定的范围内,有利于代码的结构化和模块化。 总而言之,命名空间是指通过了解命名空间的概念和使用方法,可以更好地进行模块化开发,提升代码的可性和可维护性。同时,对于从事软件开发的人来说,掌握命名空间的概念也是非常重要的。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值