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。