文献来源:Zero-Shot Next-Item Recommendation using Large Pretrained Language Models
本文只是对原文章做的一个初步阅读与理解,如有错误的地方,还请多多指点。想了解更多请原读原文。
这篇文献主要就是做了一个关于利用大模型在电影数据集上进行预测next-item的工作。作者提出了一个方法NIR,该方法主要流程是:预处理+三步提示+格式化输出。
- 预处理表示在promt之前,先用外部模块对候选集进行初筛,也就是缩小推荐域的大小,从而提高效率;
- 三步提示:
- 第一步:指导GPT-3执行子任务进行基于先前的交互数据来总结用户的偏好;
- 第二步:结合第一步给出的偏好答案,选择具有代表性的曾经看过的电影;
- 第三步:结合第二步的prompt及答案,给出一个包含10个排过序的推荐列表。
- 格式化输出:按照指定格式输出答案。
在预处理阶段生成候选集采用了两种方法,分别是user-filtering
和item-filtering
。
-
User-filtering
:其核心思想是基于用户的历史行为和兴趣来为他们生成个性化的推荐。也就是说系统会分析每个用户的过去行为,如点击、购买、评分等,然后找到与这些用户相似的其他用户,最终为目标用户推荐那些相似用户喜欢的物品。用户过滤算法的目标是建立用户-用户之间的相似性关系,以便为用户提供符合其个人兴趣的物品。 -
Item-filtering
:它将焦点放在物品本身,而不是用户之间的关系。物品过滤算法会分析每个物品的属性、特征和关联性,然后根据这些信息为用户推荐与其过去喜欢的物品相似的其他物品。这种方法不依赖于用户之间的相似性,而是依赖于物品之间的相似性来生成推荐。物品过滤算法的目标是为用户提供与其已喜欢的物品相关的其他物品。
三步提示每个过程中传入的参数如上图所示。
如下表格是实验的一部分数据,详细数据请查看原文Zero-Shot Next-Item Recommendation using Large Pretrained Language Models
实验结果:
- NIR-based方法和GRU4Rec、SASRec、CL4SRec相比,有竞争力。
- UF比IF总结出的候选集更好。
总结:
这篇文献提出的NIR方法是直接设计prompt利用GPT进行推荐,推荐出来的结果性能还行。特别是这个three-step prompt
,或许可以为我之后的研究方向做指导。