Chat-REC、InstructRec（LLM大模型用于推荐系统）

当众多chat-xxx和xxxGPT喷涌而出的时候，博主就在等它被做到推荐系统的这一天。本篇博文将简要看看一些文章的具体做法。

Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender System
先上地址，

• https://arxiv.org/abs/2303.14524

LLM+推荐系统的结合点在哪？
虽然大型语言模型LLM已经证明了它们用于解决各种应用任务的巨大潜力，但它和推荐系统的结合点在哪？

• 推荐系统旨在根据用户的偏好和行为向用户推荐项目。传统上，这些系统都依赖于用户数据，如点击流和购买历史等等。
• NLP在扩大推荐系统用户数据的范围方面是有价值的。比如NLP技术可以用于分析用户生成的内容，如评论和社交媒体帖子，以深入了解用户的偏好和兴趣，提高整体用户体验和参与度。

然而，传统的推荐系统仍然面临着巨大的挑战，如缺少交互性、可解释性，缺乏反馈机制，以及冷启动和跨域推荐等长期问题。但LLM的出现为这些挑战提供了一个很有前途的解决方案。

• LLM可以生成更自然和可解释的建议，从而可以解决冷启动问题，并执行跨领域推荐。
• LLM具有更强的交互性和反馈机制，完全可以增强整体用户体验。
• 通过利用海量参数所承载的内部知识，LLM可以依靠外部检索器以进一步提高推荐系统的性能 。

推荐系统任务被制定为基于提示的自然语言任务，其中user-item信息和相应的特征与个性化的提示模板集成作为模型输入。然而，在目前的研究中，LLM仍然作为模型的一部分需要参与训练（不过博主个人观点并不觉得这是比较大的缺点，利用通用模型的能力+小部分参数训练到垂直领域效果一定更有保证，更多可以参考博主之前的文章门）。

• 提示学习用于推荐系统问题（PEPLER，P5，PRL）
• 提示学习用于推荐系统问题（PPR，PFRec）

在这篇文章中，作者介绍了一种新的方法来做会话推荐系统（从而能与LLM更紧密的结合），它具有交互式和可解释的能力，即LLMs 增强传统推荐的范式 Chat-Rec（ChatGPT Augmented Recommender System），不需要训练（本质就是直接拿chatGPT做接口，设计预/后处理），而是只依赖于上下文学习，从而产生更有效的结果。

• 使用LLM增强的推荐系统&#x