推荐系统与大语言模型技术融合：EMNLP/NeurIPS相关论文导览

随着大语言模型在自然语言处理领域的迅速发展，大语言模型技术被广泛地应用于文本类推荐任务中。在本文中，我们筛选并总结了EMNLP 2024和NeurIPS 2024中部分大语言模型与推荐系统融合的相关论文。这些论文展示了大语言模型相关领域工作（如可解释性、预训练/微调和偏好对齐等）与推荐任务场景的对齐，从而提升文本类推荐任务的性能。

1.XRec: Large Language Models for Explainable Recommendation

论文链接：https://arxiv.org/pdf/2406.02377

推荐系统主要提供与用户偏好相匹配的个性化推荐信息，而协同过滤（CF）是当前推荐领域广泛采用的一种方法。尽管图神经网络（GNNs）和自监督学习（SSL）等先进技术使CF模型可以生成更好的用户表示，但是这些技术往往缺乏为所推荐的物品生成文本解释的能力。可解释推荐技术旨在填补这一空白，通过提供推荐决策过程的解释，增强用户对所推荐物品合理性的理解程度。本文提出了一种与模型无关的可解释推荐框架XRec，利用LLMs强大的语言能力，为推荐系统中的用户行为提供更加全面的解释。通过整合协同信号并设计轻量级的协同适配器，该框架使LLMs能够理解用户-项目交互中的复杂模式，并深入理解用户偏好。本文通过大量的实验展示了XRec的有效性，证明其生成全面且有意义的解释的能力，超越了传统的可解释推荐系统。