Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender System

最新推荐文章于 2024-07-13 21:34:41 发布
最新推荐文章于 2024-07-13 21:34:41 发布
阅读量449 收藏 9
点赞数 4
文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013069552/article/details/137345386
版权

1、动机

推荐系统被应用于推荐服务，提高人们的生活质量，但仍存在一些问题。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。

Chat-Rec 将用户画像和历史交互转换为 Prompt，有效地学习用户的偏好，不需要训练，完全依赖于上下文学习，有效推理出用户和产品之间之间的联系。

产品之间用户偏好相关联，允许更好的跨域产品推荐。

2、具体框架

用户与物品的历史交互、用户档案、用户查询和对话历史作为输入，并与推荐系统R接口。如果任务被确定为推荐任务，该模块使用 R 来生成一个候选项目集。

传统的推荐系统经过排序产生一个产品候选集，llm根据对候选集中的产品进一步的排序，给出最终更小、更相关的物品集。

chat-rec推荐案例，截图2，左图是引入了用户信息的chat-rec系统，能够根据用户的行为给出相应的推荐理由，右图则没有

3、冷启问题

新产品缺少用户交互，预先用互联网上的信息进行训练的 LLMs 实际上可以作为多视角的知识库，通过llm获取新产品的嵌入表征并存储，提高新产品的展示机会，提供用户更好的展示。

4、跨域推荐

预先用互联网上的信息进行训练的 LLMs 实际上可以作为多视角的知识库，不同产品会有一些共性，llm可以通过对某一产品的喜好，推演到其他产品的上面。

5、实验

数据集是 MovieLens 100K，随机筛选了 200 个用户组成数据集

Chat-Rec 可以根据用户偏好进一步优化推荐系统推荐的候选集

Top-k推荐任务评估对比

zero-shot任务评估对比

不同的temperature下，随机给出候选和经过排序给出候选差异很大。先经过推荐系统排序筛选候选很重要。

6、参考文献

【1】https://arxiv.org/pdf/2303.14524.pdf

【2】Chat-REC: 当推荐系统遇上 ChatGPT, 会发生什么奇妙反应? - 知乎

frostjsy
关注
  • 4
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Chat-REC: 用大语言模型增强传统推荐的全新范式
Paper weekly
04-02 781
论文标题：Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender System论文链接：https://arxiv.org/abs/2303.14524动机和背景推荐系统已被广泛部署用于自动推断人们的偏好并提供高质量的推荐服务。然而大多数现有的推荐系统仍面临诸多缺陷，例如缺少交互性、可解释性，缺乏反馈机制，以...
Self-Distillation: Towards Efficient and Compact Neural Networks
01-15
【深度学习】与【知识蒸馏】是当前AI领域的热门话题，它们对于构建高效和紧凑的神经网络至关重要。本文提出的【自蒸馏】方法是一种创新的技术，旨在解决深度神经网络（DNN）在精度提高的同时计算量和参数数量急剧...
Chat-REC、InstructRec（LLM大模型用于推荐系统）
热门推荐
nakaizura
04-06 1万+
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。
大语言模型增强传统推荐的全新范式-Chat-REC
yaohaishen的专栏
04-09 433
当遇到新的物品推荐时，计算物品嵌入与用户请求和偏好的嵌入之间的相似性，然后根据相似性检索最相关的物品信息，并构建一个提示输入到 ChatGPT 进行推荐，如图 3 的下半部分所示。除了一个领域的目标产品，如电影，LLMs 不仅对许多其他领域的产品有广泛的了解，如音乐和书籍，而且还了解上述各领域的产品之间的关系。左边的对话显示，当用户询问为什么推荐这部电影时，LLM 可以根据用户的喜好和推荐电影的。1. 用户与物品的历史交互，指的是用户过去与物品的互动，比如他们点击过的物品，购买过的物品，或者评价过的物品。
ChatIE（LLM大模型用于信息抽取）
nakaizura
04-06 7113
利用ChatGPT实现零样本信息抽取（Information Extraction，IE），看到零样本就能大概明白这篇文章将以ChatGPT作为一个基座然后补全前后端，来实现抽取任务。具体来说，ChatIE实现零样本的策略是将其任务转化为具有。对于句子：《我的爱情日记》是1990年在北京上映的中国…代码已经开源，包含了详细的前后端处理。ChatIE如下图所示，
Faster R-CNN: Towards Real-Time Object Detection with Region
04-06
《Faster R-CNN：迈向实时区域对象检测》 这篇论文是关于Faster R-CNN，这是一种基于深度学习的目标检测框架，旨在解决传统方法中区域提议算法造成的计算瓶颈，提高对象检测的速度。Faster R-CNN的核心创新在于引入...
RF-CHORD: Towards Deployable RFID Localization System for Logist
11-24
RFID（Radio Frequency Identification）定位系统是物流网络中自动化库存跟踪和管理的关键技术。RF-CHORD 是一种针对物流网络的可部署RFID定位系统的创新设计，由北京大学和阿里巴巴集团等机构的研究人员提出。...
Topical-Chat:包含以人为基础的知识的开放域对话的数据集
05-12
我们介绍了Topical-Chat，这是一个以知识为基础的人与人之间的对话数据集，其基础知识涵盖8个广泛的主题，并且对话伙伴没有明确定义的角色。 主题聊天大致包括两种类型的文件： （1）对话文件-这些是.json文件，...
3D-RCNN: Instance-level 3D Object Reconstruction via Render-and-Compare
07-04
towards better 3D equivariance and generalization. In order to exploit rich supervisory signals in the form of 2D annotations like segmentation, we propose a differentiable Render-and-Compare loss ...
OpenSNN推文：近期优质博客推荐汇总
opensnn的博客
07-12 310
国内个人博客站点众多，涵盖了技术、生活、艺术等多个领域。
AGI 之 【Hugging Face】 的【问答系统】的 [构建问答系统] / [ 构建基于评论的问答系统 ] 的简单整理
仙魁XAN
07-12 822
AGI，即通用人工智能（Artificial General Intelligence），是一种具备人类智能水平的人工智能系统。它不仅能够执行特定的任务，而且能够理解、学习和应用知识于广泛的问题解决中，具有较高的自主性和适应性。AGI的能力包括但不限于自我学习、自我改进、自我调整，并能在没有人为干预的情况下解决各种复杂问题。AGI能做的事情非常广泛：跨领域任务执行：AGI能够处理多领域的任务，不受限于特定应用场景。自主学习与适应：AGI能够从经验中学习，并适应新环境和新情境。
聊聊如何在内网下构建大模型微调环境
python1234567_的博客
07-12 828
LlamaFactory新版更新后，还是比较方便，只是说llamafactory-cli命令的确是有点蒙，踩个坑就好了。对于LlamaFactory微调来说，本身不难，毕竟都是配置；主要是在内网环境下的依赖包拉取安装是真麻烦，但其实也还好。走一遍的话，还是可以学到很多的。​。
阿里发布大模型发布图结构长文本处理智能体，超越GPT-4-128k
夕小瑶科技说
07-09 917
随着大语言模型的发展，处理长文本的能力成为了一个重要挑战。虽然有许多方法试图解决这个问题，但都存在不同程度的局限性。最近，阿里巴巴的研究团队提出了一个名为GraphReader的新方法，通过将长文本组织成图结构，并利用智能体来探索这个图，成功提升了模型处理长文本的能力。GraphReader的核心思想是将长文本分解成关键元素和原子事实，构建成一个图，然后让智能体在这个图中探索和推理。这种方法不仅能有效处理超长文本，还在多跳问答等复杂任务上取得了优异表现。
CV06_Canny边缘检测算法和python实现
https://github.com/foxpup11?tab=repositories
07-11 848
https://www.bilibili.com/video/BV1qU4y1U7aK/?spm_id_from=333.337.search-card.all.click&vd_source=7dace3632125a1ef7fd32c285eb2fbac
人力资源人工智能依赖于良好的数据
yongyoudayee的博客
07-12 735
人力资源不断发展(HR)人工智能在技术领域(AI)它已经成为改变游戏规则的力量。人工智能驱动的工具有望简化人力资源流程，提高管理能力，彻底改变员工体验。然而，这些人工智能解决方案的有效性仅取决于算法的复杂性或计算硬件的能力。事实上，这种模式的很大一部分取决于一个基本的——良好的数据。
sklearn基础教程：掌握机器学习入门的钥匙
最新发布
AIGC绘图领域探索者，热衷于将创意与技术融合，致力于分享前沿AI绘图技巧与心得，让我们一起开启视觉艺术的新篇章。
07-13 752
是基于Python的一个开源机器学习库，它建立在NumPy、SciPy和matplotlib之上，提供了大量的算法和工具，用于数据挖掘和数据分析。无论是简单的线性回归，还是复杂的神经网络，sklearn都能提供直观易用的接口。作为Python中最为流行的机器学习库之一，以其简洁的API、丰富的算法和强大的功能赢得了广大用户的青睐。通过本文的介绍，相信你已经对sklearn有了初步的了解，并能够开始进行一些基础的机器学习任务。
7.深度学习概述
MechMaster
07-10 965
1. 线性回归 1.1 线性回归一般表达式 1.2 线性回归内积表达方式： 1.3 多个样本时，线性回归的进一步表达： 1.4 线性回归方程的解析 1.5 线性回归就是求loss函数的最小值 2. 如何求函数最小值 2.1 一个例子 2.2 求导法——求最小值 2.3 求导法存在的问题 2.4 迭代法——求最小值 3. 代码实现 3.1 手动求函数最小值 3.2 使用pytorch求函数最小值
LaneNet(1):网络结构详解
m0_51579041的博客
07-13 572
LaneNet(1):网络结构详解
faster r-cnn: towards real-time object detection with region proposal networks
06-28
### 回答1： Faster R-CNN是一种基于区域建议网络（Region Proposal Networks，RPN）的物体检测算法，旨在实现实时物体检测。它通过预测每个区域是否含有物体来生成候选框，并使用卷积神经网络（CNN）来确定候选框中的物体类别。Faster R-CNN在提高检测精度的同时，也显著提高了检测速度。 ### 回答2： 在计算机视觉领域中，目标检测一直是热门研究的方向之一。近年来，基于深度学习的目标检测方法已经取得了显著的进展，并且在许多实际应用中得到了广泛的应用。其中，Faster R-CNN 是一种基于区域建议网络（Region Proposal Networks，RPN）的目标检测方法，在检测准确率和速度之间取得了很好的平衡，能够实现实时目标检测。 Faster R-CNN 的基本框架由两个模块组成：区域建议网络（RPN）和检测模块。RPN 主要负责生成候选目标框，而检测模块则利用这些候选框完成目标检测任务。具体来说，RPN 首先在原始图像上以多个尺度的滑动窗口为基础，使用卷积网络获取特征图。然后，在特征图上应用一个小型网络来预测每个位置是否存在目标，以及每个位置的目标边界框的坐标偏移量。最终，RPN 根据预测得分和位置偏移量来选择一部分具有潜在对象的区域，然后将这些区域作为候选框送入检测模块。 检测模块的主要任务是使用候选框来检测图像中的目标类别和位置。具体来说，该模块首先通过将每个候选框映射回原始图像并使用 RoI Pooling 算法来获取固定大小的特征向量。然后，使用全连接神经网络对这些特征向量进行分类和回归，以获得每个框的目标类别和精确位置。 相比于传统的目标检测方法，Faster R-CNN 具有以下优点：首先，通过使用 RPN 可以自动生成候选框，避免了手动设计和选择的过程；其次，通过共享卷积网络可以大大减少计算量，提高效率；最后，Faster R-CNN 在准确率和速度之间取得了很好的平衡，可以实现实时目标检测。 总之，Faster R-CNN 是一种高效、准确的目标检测方法，是深度学习在计算机视觉领域中的重要应用之一。在未来，随着计算机视觉技术的进一步发展，Faster R-CNN 这类基于深度学习的目标检测方法将会得到更广泛的应用。 ### 回答3： Faster R-CNN是一种结合了深度学习和传统目标检测算法的新型目标检测方法，旨在提高目标检测速度和准确率。Faster R-CNN采用了Region Proposal Network（RPN）来生成候选区域，并通过R-CNN网络对候选区域进行分类和定位。 RPN是一种全卷积神经网络，用于在图像中生成潜在的候选区域。RPN通常在卷积特征图上滑动，对每个位置预测k个候选区域和其对应的置信度得分。这样，对于输入图像，在不同大小和宽高比的Anchor上预测候选框，可以在计算上更有效率。 R-CNN网络利用卷积特征图作为输入，对RPN生成的候选区域进行分类和精确定位。与以前的目标检测方法相比，Faster R-CNN使用了共享卷积特征，使得整个检测网络可以端到端地进行训练和优化，缩短了训练时间，同时也更便于理解和改进。 Faster R-CNN不仅具有较高的准确性，还具有较快的检测速度。在各种基准测试中，Faster R-CNN与其他目标检测算法相比，都取得了优异的性能表现。总之，Faster R-CNN将目标检测引入了一个新的阶段，为实时目标检测提供了一个良好的基础。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值