本文介绍了一种名为Mint的方法，用于利用大型语言模型（LLM）对叙事驱动推荐（NDR）任务进行数据增强。Mint通过LLM生成合成的叙述性查询，以增强用户-项目交互数据，进而训练NDR模型。实验证明，这种方法训练的模型在NDR中表现出色，优于其他基线。然而，Mint存在对尾部兴趣和查询结构重复的局限性，未来工作将探索改进策略和更广泛应用。
本文是LLM系列文章，针对《Large Language Model Augmented Narrative Driven Recommendations
》的翻译。
摘要
叙述驱动推荐（NDR）提出了一个信息访问问题，用户通过详细描述自己的偏好和背景来征求推荐，例如，旅行者在描述自己的好恶和旅行环境的同时，征求兴趣点的推荐。随着搜索和推荐系统中基于自然语言的会话接口的兴起，这些要求变得越来越重要。然而，NDR缺乏丰富的模型训练数据，当前的平台通常不支持这些请求。幸运的是，经典的用户-项目交互数据集包含丰富的文本数据，例如评论，这些数据通常描述用户偏好和上下文——这可以用于NDR模型的引导训练。在这项工作中，我们探索使用大型语言模型（LLM）进行数据扩充来训练NDR模型。我们使用LLM从用户-项目交互中创作合成叙述性查询，并在合成查询和用户-项目互动数据上训练NDR的检索模型。我们的实验表明，这是一种训练小参数检索模型的有效策略，在叙事驱动的推荐中，它优于其他检索和LLM基线。
已下架不支持订阅
扫一扫
1419
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
