本文是LLM系列文章,针对《LLM4SBR: A Lightweight and Effective Framework for Integrating Large Language Models in Session-based Recommendation》的翻译。
摘要
传统的基于会话的推荐(SBR)利用来自匿名用户的会话行为序列进行推荐。尽管这种策略非常高效,但它牺牲了项目固有的语义信息,使模型难以理解会话的真实意图,并导致推荐结果缺乏可解释性。最近,大型语言模型(LLM)在各个领域蓬勃发展,为解决上述挑战提供了一线希望。受LLM影响的启发,探索LLM与推荐系统(RS)集成的研究像雨后的蘑菇一样激增。然而,受高时间和空间成本以及会话数据的简短和匿名性质的限制,第一个适合工业部署的LLM建议框架尚未在SBR领域出现。
为了应对上述挑战,我们提出了SBR的LLM集成框架(LLM4SBR)。LLM4SBR作为一个轻量级的即插即用框架,采用了两步策略。首先,我们将会话数据转换为文本和行为的双峰形式。在第一步中,利用LLM的推理能力,我们从不同的角度对会话文本数据进行推理,并设计用于辅助增强的组件。在第二步中,在行为数据上训练SBR模型,从不同的角度对齐和平均两个模态会话表示。最后,我们融合了来自不同