综述：大语言 RDRec：如何利用大语言模型做推荐系统模型在信息抽取上的应用_rdrec 模型

推荐系统

RDRec: Rationale Distillation for LLM-based Recommendation

大型语言模型（LLM）通过文本提示实现用户与物品间的有效语义推理，其推荐模型备受瞩目。然而，多数方法未深入探究交互背后的逻辑，如用户偏好与物品属性，这限制了 LLM 在推荐领域的推理深度。本文创新性地提出了原理蒸馏推荐器（RDRec），一种精简模型，旨在汲取更大语言模型（LM）生成的深层原理。借助用户及物品相关评论中的原理，RDRec 精准描绘了推荐对象的轮廓。实验结果显示，RDRec 在 Top-N 及序列推荐任务中均达到了业界顶尖水平。源代码已公开于https://github.com/WangXFng/RDRec。

https://arxiv.org/abs/2405.10587

背景

众所周知，大语言模型强大的推理能力已经得到了大家的广泛认可，也因此大语言模型在推荐系统领域也取得了一些发展，比如：新闻、商品推荐，可解释性推荐等多方面。另外，在Zero Shot / Few Shot和冷启动推荐等领域也是研究热点。

最直接的方法就是直接把用户信息和商品ID通过提示词进行预测；以及最近提出的P5范式，通过将用户-商品交互、用户行为序列和评论转化为文本到文本的提示，为LLMs推荐系统提供了更深层次的语义理解；还有通过蒸馏技术改进P5方法，提升了性能、缩短了推理时间。

为了解决这个问题，本文作者提出了一种推荐系统框架：RDRec（Rationale Distillation），该框架可以从用户所有有关的评论或关于商品的评论中，派生出更精确的用户和商品档案，用于推荐系统，如下图(cd)所示。

【一一AGI大模型学习 所有资源获取处一一】

①人工智能/大模型学习路线

②AI产品经理入门指南

③大模型方向必读书籍PDF版

④超详细海量大模型实战项目

⑤LLM大模型系统学习教程

⑥640套-AI大模型报告合集

⑦从0-1入门大模型教程视频

⑧AGI大模型技术公开课名额

RDRec 框架

RDRect框架包括两个核心阶段：交互逻辑蒸馏和基于逻辑的推荐。

交互逻辑蒸馏

作者采用了一种简洁的提示模板来从用户评论中提取出用户偏好和商品特征：

某用户购买了一件商品，并评论说‘{评论内容}’。请用两句话分别阐述用户的喜好和商品的特点。

如上图，通过这个提示词模板，输入用户的产品和评论后，就可以了解用户的偏好和商品属性。

用户评论结合这个提示模板输入到LLMs中，以生成用户偏好和商品属性的输出。

具体来说，对于一个由用户u、商品i和对应的评论r(u,i) 组成的交互三元组，通过逻辑蒸馏过程得到一个包含用户偏好pu,i和商品属性au,i的四元组(u, i, pu,i, au,i)。这样，就能够在推荐过程中更精确地捕捉和反映用户的真实意图和商品的关键特征。

逻辑驱动的推荐系统

RDRec 模型以 PrOmpt Distillation (POD) 技术为支撑，将推荐任务巧妙地转化为基于大语言模型的文本生成问题，并通过任务模板提炼出连续的提示向量：

• • （i）顺序推荐，通过分析用户的历史交互顺序来预测下一个感兴趣的商品；
• • （ii）top-N推荐，为用户推荐他们尚未接触的前N个热门商品；
• • （iii）交互解释生成，为用户的每一次交互行为提供清晰的解释。

与POD相比，RDRec 进一步引入了用户偏好和商品属性的逻辑生成任务，以丰富推荐系统的深度和精准度。

效果评估

上面两个表展示了RDRec与基线模型的对比效果。RDRec在H@k和N@k指标上始终超越了紧随其后的POD和RSL；在顺序推荐上，H@k和N@k上提升了0.5%至9.8%，在top-N推荐的H@k和N@k上更是实现了12.1%至42.2%的显著增长。

还发现RDRec在top-N推荐任务中相比顺序推荐有更大幅度的提升。这表明，精确地界定用户偏好和商品特征在推荐未知的top-N候选选项时更为关键，而顺序推荐系统则更多地依赖于捕捉用户行为的正确模式，以预测其下一步的选择。

通过消融实验，进一步检验了逻辑蒸馏的效果。上表的结果显示，从用户评论中提炼出用户偏好和商品特征，对于顺序推荐和top-N推荐均能带来积极影响。尤其值得注意的是，为商品建立详尽的档案在top-N推荐中通常更为有效，而在Sports和Beauty数据集上，为用户建立详尽的档案则对顺序推荐更为有利。

---

​

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓